Microsoft presentó el 25 de septiembre una nueva etapa de Copilot organizada alrededor de tres capacidades: Home, que reúne conversación y trabajo delegado; Code, orientado a crear aplicaciones y automatizaciones con inteligencia artificial; y Autopilot, un agente persistente diseñado para continuar ejecutando tareas sin esperar una nueva instrucción humana en cada paso. La compañía señala que Autopilot funciona en la nube y puede mantener un proyecto activo durante varios días, seguir conversaciones, realizar tareas recurrentes y participar en procesos empresariales dentro de los límites definidos por la organización [1].

Lo más interesante del anuncio no es que una IA pueda seguir trabajando cuando una persona cierra la computadora. Según Microsoft, Autopilot puede disponer dentro de la organización de su propia identidad, memoria, entorno de cómputo y espacio de trabajo, además de integrarse con herramientas como Teams, Outlook, chats, canales y documentos [1]. Conviene aclarar desde el inicio qué significa esa “identidad”: no se trata de personalidad, conciencia ni reconocimiento jurídico, sino de una identidad digital que permite determinar qué agente está actuando, qué recursos puede consultar, qué permisos posee y cómo pueden auditarse sus acciones.

Ese matiz revela una transformación más profunda que cualquier nueva función de Copilot. Durante la primera etapa de la inteligencia artificial generativa aprendimos a formular preguntas, revisar respuestas y decidir qué hacer con ellas. Los agentes introducen una relación diferente: si una IA puede consultar información, utilizar herramientas y ejecutar acciones, ya no basta con evaluar cuán inteligente es; también debemos decidir qué autoridad estamos dispuestos a concederle.

De responder preguntas a ejecutar trabajo

Microsoft utiliza como ejemplo un proceso de revisión de proveedores. Autopilot podría preparar el calendario, organizar el plan de trabajo, coordinar reuniones, solicitar actualizaciones a las personas involucradas y continuar con los seguimientos necesarios sin que alguien tenga que iniciar manualmente cada acción [1]. Ese ejemplo ayuda a comprender la diferencia entre un asistente y un agente: el primero ayuda a una persona a realizar una tarea; el segundo puede recibir un objetivo y participar en la ejecución del proceso.

En ese escenario, la calidad de las respuestas sigue siendo importante, pero deja de ser el único problema. Un agente que solamente resume un documento necesita acceso a información; uno que puede enviar mensajes, consultar sistemas, modificar registros o iniciar acciones necesita además permisos. La seguridad empieza entonces mucho antes de que ocurra un incidente: comienza cuando la organización decide qué puede ver el agente, qué acciones puede realizar, durante cuánto tiempo conserva ese acceso y qué persona permanece responsable de supervisarlo.

La propia arquitectura de Microsoft refleja esa necesidad. La documentación de Agent 365 explica que cada agente puede disponer de una identidad diferenciada en Microsoft Entra, con identificador propio, permisos y al menos un responsable o “sponsor” asociado a su propósito y ciclo de vida. Ese responsable humano puede ser requerido para decidir si el agente debe conservarse, modificarse o desactivarse, mientras los registros permiten distinguir quién o qué identidad realizó determinadas acciones [2].

Esta separación puede ofrecer ventajas frente a un sistema que utiliza indiscriminadamente las credenciales de una persona. Una identidad específica permite aplicar controles de acceso, limitar permisos y mantener una trazabilidad más clara. Al mismo tiempo, crea una nueva categoría que las áreas de tecnología y seguridad tendrán que administrar: cuentas que no corresponden a empleados humanos, pero que pueden tener acceso persistente a información y herramientas de la empresa.

No es una preocupación exclusiva de Microsoft. El National Institute of Standards and Technology (NIST) de Estados Unidos abrió en 2026 una iniciativa dedicada precisamente a la identidad y autorización de agentes de software e inteligencia artificial. El organismo advierte que los beneficios potenciales de estos sistemas deben acompañarse de controles que permitan identificarlos, determinar a qué datos y herramientas pueden acceder, autorizar sus acciones y auditar posteriormente su actividad [3].

Esto no significa que los agentes sean peligrosos por definición. Significa algo más sencillo: cuando un sistema tecnológico obtiene mayor capacidad de acción, también aumenta la importancia de definir sus límites. La autonomía útil necesita controles proporcionales a las consecuencias de aquello que puede hacer.

La señal más importante quizá no está en Copilot

Sería fácil interpretar Home, Code y Autopilot como otra actualización dentro de una industria que presenta nuevas funciones de inteligencia artificial prácticamente cada semana. Existe, sin embargo, una señal empresarial que permite entender por qué este movimiento merece más atención.

El 2 de septiembre, Microsoft informó oficialmente a la Comisión de Bolsa y Valores de Estados Unidos (SEC) que, a partir de su año fiscal 2027, administrará y reportará sus operaciones mediante dos grandes segmentos: Agents and Infra y Devices and Consumer [4]. El primero reunirá áreas como Azure, Microsoft 365, GitHub y otras capacidades relacionadas con aplicaciones, agentes e infraestructura empresarial.

En la presentación entregada a los inversionistas, Microsoft explicó que la inteligencia artificial está desdibujando las fronteras tradicionales entre sus productos y modificando la forma en que la compañía construye, opera y monetiza sus servicios. La reorganización no demuestra que los agentes vayan a sustituir las aplicaciones tradicionales ni permite saber hasta dónde llegará su adopción, pero sí muestra que Microsoft considera suficientemente importante este cambio como para incorporarlo a la estructura con la que administra y explica su negocio [4].

La dirección estratégica empieza así a resultar más clara. Durante décadas, el software empresarial estuvo organizado principalmente alrededor de aplicaciones que una persona abría para realizar una actividad concreta. El modelo de agentes intenta añadir otra capa: sistemas capaces de mantener contexto, utilizar diferentes herramientas y participar en procesos que atraviesan varias aplicaciones.

Para que ese modelo funcione, la inteligencia artificial necesita comprender cada vez mejor el contexto de la organización. Microsoft afirma que Autopilot se apoya en Microsoft IQ, su plataforma de inteligencia empresarial, para relacionar el trabajo que ocurre entre datos, personas, herramientas y procesos [1]. Cuanto más contexto recibe un agente, mayor puede ser su utilidad, aunque también se vuelve más importante limitar cuidadosamente aquello a lo que puede acceder.

Aquí aparece una de las tensiones centrales de la nueva etapa de la IA empresarial. Un sistema puede ser mucho más útil cuando comprende correos, documentos, reuniones, proyectos y relaciones de trabajo, pero esa capacidad también aumenta el valor de la información a la que tiene acceso. La confianza ya no dependerá únicamente de que el modelo genere una buena respuesta, sino de que la organización pueda demostrar que el agente conoce lo necesario, accede solo a lo necesario y actúa únicamente dentro de los límites autorizados.

Lo que las empresas y América Latina deberían aprender ahora

Para América Latina, esta transición puede representar una oportunidad importante. La CEPAL señala que la inteligencia artificial ya está comenzando a transformar la economía regional, aunque persisten brechas de inversión, infraestructura y capacidades laborales que limitan la posibilidad de aprovechar plenamente sus beneficios [5]. Los agentes podrían ayudar especialmente a organizaciones que todavía dependen de numerosos procesos manuales y que no siempre disponen de grandes equipos de desarrollo para automatizarlos.

Precisamente por eso sería un error adoptar agentes como si fueran simplemente una nueva generación de asistentes personales. Una empresa no necesita cientos de sistemas autónomos para enfrentarse a un problema de gobierno. Basta con que un solo agente tenga acceso a contratos, correos, información financiera o datos de clientes y pueda ejecutar acciones para que preguntas aparentemente técnicas se conviertan en cuestiones de responsabilidad empresarial.

Antes de conceder autonomía a un agente, una organización debería poder responder con claridad qué información necesita realmente, qué acciones puede realizar sin aprobación adicional, quién es responsable de su funcionamiento, cómo pueden reconstruirse sus decisiones y qué ocurre cuando deja de ser necesario. Estas preguntas no buscan frenar la innovación; buscan evitar que la capacidad tecnológica avance más rápido que la capacidad institucional para gobernarla.

También conviene mantener proporción frente a las promesas actuales. Microsoft informó que Home y Code comenzarán a desplegarse mediante su programa Frontier, mientras Autopilot se amplía inicialmente como una vista previa privada [1]. Por ello, todavía es pronto para afirmar que este modelo ha demostrado a gran escala todos los beneficios de productividad, seguridad o retorno económico que podría ofrecer.

Lo que sí puede observarse con mayor claridad es la dirección del cambio. La inteligencia artificial empresarial está evolucionando desde sistemas que principalmente producen información hacia sistemas capaces de participar cada vez más en la ejecución del trabajo. Esa transición puede reducir tareas repetitivas, acelerar procesos y ampliar las capacidades de equipos pequeños, pero también obliga a las organizaciones a desarrollar una cultura de permisos, supervisión y responsabilidad tan sofisticada como los agentes que desean utilizar.

Durante la primera etapa de la IA generativa aprendimos que no debíamos confiar ciegamente en una respuesta solo porque estuviera bien redactada. La etapa de los agentes añadirá una disciplina todavía más importante: no conceder capacidad de acción solamente porque técnicamente sea posible hacerlo.

La inteligencia artificial no necesita parecer humana para cambiar profundamente una organización; basta con que tenga acceso y capacidad para actuar dentro de ella. Las máquinas podrán asumir más trabajo y recibir mayor autonomía, pero la responsabilidad por definir sus límites, supervisar sus acciones y responder por sus consecuencias seguirá perteneciendo a las personas y a las instituciones que decidan utilizarlas.

Fuentes informativas

• [1] Microsoft — “Introducing the new Copilot with Home, Code and Autopilot”, 25 de septiembre de 2026
• [2] Microsoft Learn — “Agent 365 identity”
• [3] National Institute of Standards and Technology (NIST) — “Software and AI Agent Identity and Authorization”, febrero de 2026
• [4] Microsoft Corporation / U.S. Securities and Exchange Commission — Form 8-K y “FY27 Segments and Investor Metrics”, 2 de septiembre de 2026
• [5] Comisión Económica para América Latina y el Caribe (CEPAL) — “Impacto económico de la inteligencia artificial en América Latina: transformación tecnológica y rezago en materia de inversión y capacidades laborales”, enero de 2026

ExpedienteCheck ganó los eAwards Perú 2026, el reconocimiento de NTT DATA Foundation que distingue proyectos tecnológicos capaces de generar impacto en la sociedad. La plataforma peruana se impuso en la final nacional y ahora representará al país en la siguiente etapa de Global eAwards 2026, que se realizará en Portugal, según informó su fundadora, Rocío Béjar.

El premio pone el foco sobre un problema muy concreto: muchas municipalidades gestionan obras y proyectos con información dispersa en distintos sistemas, lo que puede dificultar detectar a tiempo retrasos, inconsistencias o riesgos presupuestales. ExpedienteCheck busca ordenar esa información y convertirla en alertas fáciles de entender para que los equipos municipales puedan actuar antes de que un problema avance.

ExpedienteCheck: IA para mejorar la gestión de la inversión pública

ExpedienteCheck es una plataforma GovTech orientada al seguimiento de inversiones públicas. Su propuesta combina analítica de datos e inteligencia artificial para reunir información de fuentes públicas y mostrarla de forma más clara a los responsables de la gestión municipal. En lugar de esperar a que un problema aparezca en un informe tardío, el sistema busca advertir señales de riesgo mientras la inversión todavía puede corregirse.

La web de ExpedienteCheck señala que su módulo de monitoreo cruza información de sistemas como SSI, SEACE, Infobras y otras fuentes públicas para seguir el avance de los proyectos. Entre las alertas que puede mostrar están diferencias entre el avance físico y financiero, retrasos o situaciones que requieren atención. La propia plataforma aclara que la tecnología no reemplaza al especialista: busca darle información estructurada para que pueda tomar mejores decisiones.

La solución ya trabaja con siete municipalidades. En su web aparecen Tacna, Miraflores, Urubamba, Tabaconas, Sallique, Wanchaq y Santiago de Surco. Rocío Béjar también ha informado públicamente que ExpedienteCheck monitorea más de S/233 millones en inversión pública, una señal de que el proyecto ya está siendo probado con información real y no se encuentra únicamente en una etapa conceptual.

eAwards Perú abre el camino a la competencia internacional

La convocatoria de eAwards Perú 2026 estuvo dirigida a startups y proyectos tecnológicos innovadores, escalables y sostenibles que utilicen tecnología para aportar a la sociedad. La edición peruana contempla un premio de US$10.000, conexión personalizada con el mercado y el acceso a la final internacional de Global eAwards 2026, donde el proyecto ganador competirá por 100.000 euros y un programa de aceleración.

Tras recibir el reconocimiento, Rocío Béjar publicó que ExpedienteCheck compitió frente a otros seis finalistas nacionales y que el siguiente paso será representar al Perú en la final global. Para la fundadora, el premio valida una propuesta que pasó de trabajar con un municipio a siete en pocos meses y que ahora busca ampliar su alcance.

Rocío Béjar conoce de cerca el problema que intenta resolver. La web de ExpedienteCheck la presenta como exdirectora general de Invierte.pe en el Ministerio de Economía y Finanzas. Esa experiencia en inversión pública, combinada con el desarrollo de productos digitales, está detrás de una plataforma diseñada para que los funcionarios puedan usarla sin convertir la tecnología en una nueva dificultad.

De la experiencia en Perú a una posible expansión regional

En declaraciones a Tecnología 21 tras recibir el premio, Rocío Béjar explicó que ExpedienteCheck se ofrece mediante una licencia para municipalidades. La idea es evitar que cada gobierno local tenga que desarrollar y mantener su propia herramienta desde cero. Al compartir una misma plataforma, los costos de desarrollo y mantenimiento pueden distribuirse y el producto puede seguir mejorándose para todos sus usuarios.

Según explicó, una parte de la solución toma información de los proyectos y utiliza inteligencia artificial para detectar riesgos presupuestales y financieros, ordenar las alertas por prioridad y facilitar que los responsables identifiquen dónde necesitan intervenir primero. Otra función permite revisar información cargada por los usuarios para encontrar errores o inconsistencias y generar un reporte que ayude al equipo técnico.

Rocío Béjar también destacó el asistente normativo de ExpedienteCheck. Este componente permite realizar consultas y obtener orientación basada en normas aplicables a la inversión pública. El objetivo es reducir una dificultad que ella observó durante sus años en el sector público: funcionarios que necesitan tomar una decisión, pero pierden tiempo buscando la norma correcta o tratando de entender qué procedimiento corresponde. La web de ExpedienteCheck ya presenta este asistente como una versión operativa, mientras que el módulo de análisis automatizado de expedientes técnicos continúa en desarrollo.

De cara a la etapa internacional, la fundadora señaló a Tecnología 21 que la arquitectura de la plataforma fue pensada para poder crecer más allá de una municipalidad e incluso adaptarse a gobiernos regionales. También mencionó la posibilidad de explorar mercados como Colombia y Chile, donde existen retos similares en la gestión de inversiones públicas. El desafío será demostrar que el modelo puede adaptarse a otras reglas y sistemas sin perder la facilidad que busca ofrecer a los usuarios.

El reconocimiento de eAwards Perú 2026 llega así en un momento clave para ExpedienteCheck: ya tiene usuarios reales, una propuesta concreta y una ruta de expansión. Su siguiente prueba será llevar una solución creada para ayudar a los gobiernos locales peruanos a un escenario internacional, donde tendrá que demostrar que anticipar riesgos con mejores datos e inteligencia artificial también puede aportar valor fuera del país.

Anthropic quiere permitir que evaluadores externos tengan acceso comparable al de sus propios equipos de seguridad, mientras OpenAI ha anunciado que seguirá la misma dirección. La propuesta llega después de incidentes reales con agentes de IA y cuando nuevos modelos alcanzan capacidades de ciberseguridad que sus desarrolladores consideran críticas. La pregunta ya no es solo cuánto puede avanzar la inteligencia artificial, sino cómo demostrar que permanece bajo control.

Durante años, las compañías que desarrollan los modelos de inteligencia artificial más avanzados han ocupado dos posiciones al mismo tiempo: construyen los sistemas y realizan buena parte de las evaluaciones utilizadas para determinar si son suficientemente seguros. Sus informes técnicos y pruebas internas aportan información valiosa, pero también plantean una pregunta inevitable: ¿es suficiente que el fabricante sea quien principalmente evalúe los riesgos de aquello que fabrica?

Esa situación empieza a cambiar. Dario Amodei, CEO de Anthropic, propuso en septiembre que los laboratorios que trabajan con los modelos más avanzados permitan la presencia de evaluadores externos con un nivel de acceso comparable al de sus propios equipos de seguridad. Anthropic se comprometió a avanzar en ese modelo de supervisión y planteó que estos evaluadores puedan revisar prácticas, estudiar incidentes, conversar con empleados y comunicar hallazgos relevantes [1].

Sam Altman, CEO de OpenAI, respaldó públicamente la propuesta y afirmó que su compañía también permitirá evaluadores independientes con acceso similar al de empleados. OpenAI todavía debe explicar cómo funcionará ese mecanismo en la práctica, pero el anuncio introduce una idea que podría adquirir cada vez más importancia: no basta con afirmar que un sistema es seguro; también será necesario ofrecer mejores formas de comprobarlo [2].

La propuesta de Amodei forma parte de una idea más amplia denominada pacing the frontier: moderar el ritmo con el que aumentan las capacidades de los modelos para que la seguridad, la supervisión y nuestra capacidad de comprenderlos puedan avanzar también. No propone detener toda investigación ni abandonar el desarrollo de inteligencia artificial, sino evitar que la búsqueda de nuevas capacidades deje demasiado atrás los mecanismos destinados a controlarlas [1].

La parte más interesante no es, sin embargo, la discusión sobre si la IA debe avanzar más rápido o más despacio. Es la posibilidad de introducir observadores externos con suficiente acceso para comprobar lo que ocurre dentro de los laboratorios. Anthropic plantea que estos evaluadores puedan disponer de herramientas, permisos e información similares a los utilizados por sus propios equipos dedicados al análisis de riesgos, además de contar con margen para publicar conclusiones desfavorables dentro de los límites necesarios para proteger información sensible [1].

Si este modelo funciona como está planteado, supondría un cambio importante en la forma de construir confianza. Una evaluación externa puntual puede detectar debilidades de un modelo concreto; una supervisión con mayor acceso puede examinar también los procesos, los controles y la manera en que una organización responde cuando algo sale mal.

Los incidentes reales explican por qué la supervisión importa

Esta conversación no surge únicamente de preocupaciones sobre lo que la inteligencia artificial podría hacer en el futuro. Durante los últimos meses se han producido incidentes concretos que muestran lo difícil que puede ser contener sistemas capaces de utilizar herramientas, ejecutar código y operar durante periodos prolongados.

OpenAI informó en agosto que redujo temporalmente el ritmo de parte de su desarrollo después del incidente relacionado con Hugging Face y de observar señales de que uno de sus nuevos modelos, Astra, podía alcanzar capacidades de ciberseguridad considerablemente mayores. La compañía pausó determinados procesos, reforzó el aislamiento de sus entornos de investigación y aumentó los controles destinados a evitar que sistemas experimentales accedieran a redes o recursos que no debían alcanzar [3].

Poco después, OpenAI concluyó que Astra alcanzaba el nivel que su propio Preparedness Framework denomina Critical en ciberseguridad. Según la empresa, con las herramientas y el acceso adecuados, el modelo puede identificar vulnerabilidades desconocidas y desarrollar métodos para explotarlas en sistemas protegidos sin que una persona tenga que dirigir cada paso. OpenAI afirma que es el primer modelo al que asigna públicamente esa clasificación [4].

Esa afirmación necesita una precisión importante. “Critical” es una categoría creada por OpenAI dentro de su propio sistema de evaluación; no es una certificación universal ni una conclusión emitida por una autoridad independiente. Tampoco significa que cualquier usuario tenga acceso libre a esas capacidades, pues la compañía señala que las configuraciones más sensibles están sometidas a controles adicionales [4].

Lo relevante es el cambio de escala. Cuando una IA se limita a producir texto, una respuesta incorrecta puede causar problemas; cuando un agente puede utilizar herramientas, escribir código, explorar sistemas o ejecutar acciones, un error de configuración, permisos o supervisión puede tener consecuencias mucho mayores.

Anthropic encontró un problema relacionado durante sus propias evaluaciones. En septiembre publicó un análisis de cuatro incidentes en los que modelos Claude consiguieron acceso no autorizado a sistemas reales de terceros durante ejercicios de ciberseguridad [5].

Los incidentes combinaron problemas en los entornos de prueba con comportamientos no deseados de los modelos. Anthropic no presentó evidencia de una supuesta “rebelión” de las máquinas ni de objetivos independientes creados por los sistemas. El problema fue más concreto: agentes capaces continuaron persiguiendo las tareas asignadas dentro de entornos que les permitieron llegar más lejos de lo previsto [5].

Esta distinción es importante porque el riesgo real ya es suficientemente serio sin necesidad de exagerarlo. Hablar de una IA que “escapa” o “se vuelve contra los humanos” añade intenciones que la evidencia disponible no demuestra. El desafío operativo es más preciso: cuanto más capaz sea un sistema y mayores sean los permisos que recibe, más importante resulta garantizar que sus límites técnicos y organizacionales realmente funcionen.

Tecnología 21 ya abordó este problema al analizar el incidente entre OpenAI y Hugging Face. Entonces, la pregunta principal era cómo contener agentes que reciben mayor autonomía. La conversación actual amplía esa cuestión: además de diseñar mejores límites, necesitamos determinar quién puede comprobar de forma creíble que esos límites existen, funcionan y siguen siendo suficientes cuando las capacidades del modelo cambian.

Evaluar desde fuera no garantiza independencia

La idea de utilizar terceros para analizar sistemas de IA no es nueva. METR, una organización dedicada a evaluar capacidades y riesgos de sistemas avanzados, realizó este año un ejercicio con Anthropic, Google, Meta y OpenAI. Las compañías participantes le proporcionaron acceso a modelos internos y a información no disponible públicamente, lo que permitió examinar riesgos desde una posición poco habitual para una organización externa [6].

La experiencia también mostró los límites de este tipo de evaluaciones. Cuando METR analizó GPT-5.6 Sol antes de su despliegue, explicó que trabajó bajo un acuerdo de confidencialidad y que los equipos legales y de comunicación de OpenAI tenían derecho a revisar la publicación debido a la información sensible compartida. METR afirmó que OpenAI no modificó sus conclusiones, pero reconoció que ese proceso no debía interpretarse como un sistema formal de supervisión pública plenamente independiente [7].

Ese matiz resulta esencial. La calidad de una evaluación no depende únicamente de que quien la realiza pertenezca a otra organización; también importa qué puede observar, qué información recibe, qué libertad tiene para comunicar resultados y qué ocurre cuando sus conclusiones resultan incómodas para la compañía evaluada.

Google DeepMind está abordando otra dimensión del mismo problema. En agosto presentó un sistema de evaluación de doble ciego diseñado para reducir la posibilidad de que un modelo haya conocido previamente las preguntas con las que posteriormente será evaluado, una dificultad conocida como contaminación de benchmarks [8].

La lógica puede entenderse mediante una comparación sencilla: si un estudiante conoce las preguntas antes de rendir un examen, una puntuación perfecta ya no demuestra necesariamente cuánto sabe. Algo similar puede ocurrir con los modelos de IA cuando las pruebas utilizadas para medirlos aparecen, directa o indirectamente, entre los datos que encontraron durante su desarrollo.

DeepMind utiliza entornos protegidos criptográficamente para mantener ocultas las pruebas del evaluador sin obligar al desarrollador a revelar por completo la propiedad intelectual de su modelo. Es un mecanismo diferente al que propone Anthropic, pero ambos parten de una misma necesidad: si queremos confiar en el resultado de una prueba, también necesitamos confiar en la forma en que esa prueba fue realizada [8].

Todavía sería prematuro afirmar que toda la industria ha adoptado un nuevo sistema de supervisión. Anthropic ha formulado una propuesta concreta, OpenAI ha prometido avanzar en la misma dirección y Google DeepMind está ensayando otros mecanismos de evaluación, pero aún no existe un modelo uniforme capaz de garantizar independencia, transparencia y acceso suficiente en todos los laboratorios.

Incluso una auditoría externa puede ser débil si el evaluador recibe información limitada, depende económicamente de la empresa evaluada o no tiene libertad para comunicar resultados negativos. La supervisión solo genera verdadera confianza cuando sus propias condiciones también pueden ser examinadas.

Por eso conviene evitar dos extremos. No sería razonable asumir que toda advertencia de seguridad es una maniobra empresarial, pero tampoco sería prudente tratar a los desarrolladores como árbitros completamente neutrales de los riesgos de una tecnología en la que han invertido enormes recursos. La confianza más sólida aparece cuando las afirmaciones pueden ser contrastadas.

Lo que cambia para América Latina y las empresas

Esta discusión puede parecer distante para una región que no concentra los principales laboratorios de inteligencia artificial de frontera, pero sus consecuencias son cercanas. Empresas, bancos, universidades, hospitales, instituciones públicas y profesionales latinoamericanos están adoptando sistemas construidos en otros países y conectándolos progresivamente con información y procesos cada vez más sensibles.

Hasta ahora, muchas organizaciones comparaban soluciones de inteligencia artificial principalmente por capacidad, precio, privacidad, velocidad o facilidad de integración. Con la llegada de agentes capaces de utilizar aplicaciones, bases de datos, correo electrónico, código y otros sistemas empresariales, aparece una pregunta adicional: ¿qué evidencia puede ofrecer el proveedor sobre la seguridad del sistema al que estamos entregando esos permisos?

Para un directorio, un responsable de tecnología o un CISO, ya no debería ser suficiente preguntar si una IA es “segura”. También importa conocer quién la evaluó, qué acceso tuvo ese evaluador, bajo qué condiciones se realizaron las pruebas, cómo se detectan acciones no autorizadas y qué mecanismos existen para detener al sistema cuando intenta ir más allá de sus límites.

América Latina quizá no construya todos los modelos más avanzados, pero puede desarrollar capacidades propias en auditoría de IA, ciberseguridad de agentes, observabilidad, gobierno tecnológico y gestión de riesgos. Esa puede convertirse en una oportunidad importante a medida que las organizaciones dejen de utilizar la IA únicamente para generar información y comiencen a delegarle acciones reales.

Durante la primera etapa de la inteligencia artificial generativa, gran parte de la confianza descansó sobre la reputación de los desarrolladores. Las compañías publicaban sus evaluaciones y los usuarios debían decidir cuánto confiar en ellas, algo comprensible en una tecnología que avanzaba más rápido que las instituciones y metodologías creadas para examinarla.

Ese modelo empieza a resultar insuficiente. Cuanto mayores sean las capacidades que concedemos a un sistema y más importantes sean los procesos con los que puede interactuar, menos razonable será depender exclusivamente de la palabra de quien lo construyó.

Las evaluaciones externas tampoco serán infalibles y necesitarán reglas, transparencia y mecanismos que permitan comprobar su propia independencia. Aun así, la señal de las últimas semanas es relevante: algunos de los principales actores de la inteligencia artificial empiezan a aceptar que la seguridad debe poder ser examinada desde fuera.

Durante años, la competencia se concentró en demostrar qué modelo podía hacer más. La siguiente etapa tendrá que responder también otra pregunta: cuando una empresa afirma que su sistema está preparado para recibir más autonomía, más herramientas y acceso a procesos importantes, ¿qué evidencia independiente puede presentar para demostrarlo?

La confianza tecnológica madura no consiste en creer más en el fabricante. Consiste en necesitar creer menos porque existen mejores formas de verificar lo que afirma.

Fuentes informativas

• [1] Dario Amodei — We Must Pace the Frontier
• [2] Sam Altman — declaración pública del 12 de septiembre de 2026
• [3] OpenAI — Pacing model development in an era of cyber-critical capabilities
• [4] OpenAI — Path to Astra: critical capabilities and frontier safeguards
• [5] Anthropic — An alignment assessment of recent cybersecurity incidents
• [6] METR — Frontier Risk Report
• [7] METR — evaluación previa al despliegue de GPT-5.6 Sol
• [8] Google DeepMind — Piloting the world's first double-blind AI evaluations

Las nuevas HP LaserJet Pro 4000/4100 y LaserJet Enterprise 5000/6000 combinan automatización de documentos, una gestión más simple y nuevas capas de ciberseguridad. Durante un evento realizado en Lima, HP explicó por qué considera que la impresora debe dejar de verse como un periférico aislado para integrarse de manera más estrecha con los procesos digitales y la infraestructura tecnológica de las empresas.

Durante años, la evolución de una impresora empresarial podía resumirse en tres preguntas: cuánto imprime, qué tan rápido lo hace y cuánto cuesta mantenerla. HP quiere ampliar esa conversación. En su nueva generación de LaserJet, la compañía pone el foco en todo lo que ocurre alrededor del papel: cómo se digitalizan los documentos, cómo se conectan con servicios en la nube, cómo se administran los equipos y cómo se protege un dispositivo que puede permanecer conectado a la red durante muchos años.

La propuesta incluye las nuevas familias HP LaserJet Pro 4000/4100, dirigidas principalmente a pequeñas y medianas empresas, y HP LaserJet Enterprise 5000/6000, destinadas a organizaciones con mayores necesidades de rendimiento, digitalización, administración y seguridad. Antonio Palacios, Head de Office Print Latam en HP, resume esta transformación desde una perspectiva más amplia: “La impresión ya no puede entenderse como un proceso aislado, sino como parte de un ecosistema de trabajo cada vez más digital, conectado e inteligente”.

Un nuevo portafolio para pymes y grandes empresas

La serie HP LaserJet Pro 4000/4100 está diseñada para equipos pequeños y pymes que muchas veces cuentan con recursos limitados de TI. HP destaca un formato compacto, configuración simplificada, Wi-Fi 6 con funciones de recuperación de conexión e impresión automática a doble cara. La compañía también pone énfasis en los costos de operación y señala que esta generación puede ofrecer costos de impresión hasta 25% menores frente a la anterior mediante determinados cartuchos TerraJet de alto rendimiento. La comparación responde a referencias y mercados específicos definidos por HP, por lo que el ahorro real puede variar según la configuración y la oferta disponible en cada país.

HP ofrece además una garantía de hasta tres años para esta familia. Según la documentación oficial, el beneficio requiere registrar el producto dentro de los 60 días posteriores a la compra y está sujeto a las condiciones y disponibilidad correspondientes a cada mercado. Esta precisión resulta relevante para las empresas que no solo evalúan el precio inicial del equipo, sino también su costo total de propiedad y las condiciones de soporte a lo largo de su vida útil.

Para organizaciones de mayor tamaño, la familia HP LaserJet Enterprise 5000/6000 incrementa las capacidades de rendimiento y digitalización. HP indica velocidades de impresión de hasta 57 páginas por minuto y escaneo automático a doble cara de hasta 200 imágenes por minuto en determinadas configuraciones. La compañía también señala que el 90% de las piezas que pueden recibir servicio son reemplazables en menos de ocho minutos, algo especialmente relevante en entornos donde una interrupción puede afectar procesos administrativos u operativos.

Más que las cifras aisladas, la diferencia entre ambas familias está en el contexto para el que fueron diseñadas. Las LaserJet Pro priorizan simplicidad y facilidad de administración para equipos pequeños, mientras que las Enterprise incorporan mayores capacidades de digitalización, gestión centralizada, automatización y seguridad para organizaciones con flotas y procesos más complejos.

La renovación incluye también una nueva generación de tóner TerraJet. HP sostiene que determinados cartuchos para la serie Pro pueden ofrecer 11% más páginas utilizando menos tóner y un formato más compacto frente a las referencias empleadas en su comparación. En algunos cartuchos de la gama Enterprise, la compañía señala además el uso de 30% de plástico reciclado. Dependiendo del modelo y del mercado, los equipos cuentan asimismo con certificaciones como EPEAT Gold, ENERGY STAR y Blue Angel, que forman parte de una evaluación más amplia sobre consumo energético, materiales y mantenimiento durante la vida útil del producto.

IA, Copilot y gestión: menos pasos alrededor del documento

Una de las preguntas más naturales durante la presentación fue qué significa realmente incorporar inteligencia artificial en una impresora. La propuesta de HP es menos espectacular que imaginar un chatbot dentro del equipo, pero probablemente más útil: aplicar IA a tareas repetitivas que ocurren antes y después de imprimir o digitalizar un documento. Durante la demostración se mostró, por ejemplo, cómo una página web puede reorganizarse antes de enviarla a impresión para eliminar elementos innecesarios y reducir la cantidad de hojas utilizadas, conservando principalmente la información que realmente interesa al usuario.

La inteligencia artificial también interviene durante el escaneo. HP ofrece funciones capaces de generar nombres de archivo, completar asuntos de correo, producir resúmenes y crear documentos con texto reconocible mediante OCR. Según pruebas internas de la compañía, determinadas tareas de procesamiento documental pueden realizarse aproximadamente 50% más rápido frente a un flujo tradicional de escaneo y envío por correo. HP precisa que los resultados pueden variar dependiendo del documento, el usuario y las condiciones de red, y que algunas funciones requieren software opcional, conexión a Internet, una cuenta de HP o tienen disponibilidad limitada según modelo, país e idioma.

En los equipos empresariales, las posibilidades son más amplias. HP Scan AI Enhanced y Editable OCR permiten transformar documentos físicos en archivos consultables o editables, mientras que las herramientas de redacción guiada están diseñadas para ayudar a identificar y ocultar información sensible antes de compartir un documento. El objetivo común es que el escáner no se limite a generar una imagen, sino que entregue información que pueda continuar directamente dentro de un flujo de trabajo digital.

HP también lleva Microsoft 365 Copilot a determinados multifuncionales mediante una aplicación de HP Workpath. Desde el panel del dispositivo es posible utilizar capacidades de Copilot para resumir, nombrar, traducir y organizar documentos almacenados en servicios como OneDrive y SharePoint. Esto no significa que Copilot venga incluido con la compra de la impresora: la organización necesita una suscripción compatible y la aplicación correspondiente de HP Workpath, una condición que también fue aclarada durante la sesión de preguntas del evento.

La utilidad de estas integraciones está en reducir los pasos entre el mundo físico y el digital. Un contrato, una factura o un informe puede escanearse, reconocerse, resumirse y enviarse a un repositorio sin obligar al usuario a repetir posteriormente todo el proceso desde una computadora. Esa misma búsqueda de menor fricción aparece en la administración de los equipos, donde herramientas como HP Smart Device Services permiten supervisar determinados dispositivos y ayudar a anticipar o resolver problemas antes de que interrumpan el trabajo. Las capacidades disponibles dependen del producto, la configuración y los servicios contratados.

En conjunto, el planteamiento de HP es sencillo: que la empresa dedique menos tiempo a administrar la impresora y pueda integrarla con mayor naturalidad dentro de sus procesos tecnológicos. La innovación, por tanto, no reside únicamente en añadir funciones, sino en intentar que determinadas tareas requieran menos intervención del usuario y del equipo de TI.

Seguridad: proteger la impresora actual y prepararla para las amenazas del futuro

La ciberseguridad fue uno de los puntos de mayor énfasis durante la presentación. Una impresora empresarial moderna es un dispositivo conectado a la red que puede comunicarse con servidores, correo electrónico, carpetas compartidas y servicios en la nube, además de manejar documentos financieros, contractuales o personales. Por eso, el riesgo de una impresora comprometida no se limita a que alguien pueda manipular una impresión: un dispositivo vulnerable podría formar parte de una cadena de ataque contra otros recursos de la organización.

HP lleva años incorporando mecanismos de protección en su gama empresarial y en esta generación vuelve a poner en primer plano la seguridad del firmware, la detección de comportamientos anómalos y las funciones de recuperación ante determinadas alteraciones. La idea es que el equipo pueda detectar ciertos problemas, detener la actividad comprometida y regresar a un estado seguro, reduciendo la necesidad de intervención manual y evitando que la impresora permanezca inutilizada más tiempo del necesario.

La novedad que generó mayor atención durante el evento fue, sin embargo, la protección resistente a futuras amenazas provenientes de la computación cuántica. HP presenta a las LaserJet Pro 4000/4100 como las primeras impresoras para pymes de su categoría con este tipo de protección y extiende estas capacidades a las LaserJet Enterprise 5000/6000. La propia compañía precisa que esas afirmaciones se basan en análisis internos realizados sobre productos comparables y bajo criterios específicos.

Es importante entender correctamente qué significa. No existen actualmente computadoras cuánticas capaces de romper de manera práctica y generalizada la criptografía utilizada por las empresas. El riesgo está en el futuro: un sistema cuántico suficientemente avanzado podría comprometer determinados algoritmos criptográficos empleados hoy. Precisamente por esa razón, el National Institute of Standards and Technology de Estados Unidos publicó en agosto de 2024 sus primeros estándares principales de criptografía poscuántica y recomienda que organizaciones y proveedores comiencen a prepararse para la transición.

En las nuevas LaserJet, HP aplica criptografía poscuántica para ayudar a proteger la integridad del BIOS y del firmware mediante firmas digitales resistentes a este tipo de amenazas. No significa que exista una “impresión cuántica” ni que todos los documentos utilicen una nueva forma de cifrado. La protección se concentra en verificar que el software fundamental que permite arrancar y operar el equipo sea auténtico y no haya sido manipulado.

La estrategia cobra mayor sentido al considerar que una impresora empresarial puede permanecer conectada dentro de una organización durante muchos años. Por ello, HP argumenta que la seguridad de un equipo adquirido hoy no debería diseñarse únicamente frente a las amenazas actuales, sino también contemplando aquellas que podrían adquirir relevancia durante su vida útil. Más allá de la computación cuántica, la conclusión para las empresas es inmediata: una impresora debería formar parte de la estrategia general de ciberseguridad, con políticas de actualización, administración, acceso y protección similares a las aplicadas a otros dispositivos conectados.

Antonio Palacios: “Queremos una impresora que esté lista para el futuro”

Foto: De izquierda a derecha, Antonio Palacios, Head de Office Print Latam, y Leonardo Oropeza, Office Print Latam Product Manager, durante la presentación del nuevo portafolio de impresión empresarial de HP.

Al finalizar el evento, conversamos  con Antonio Palacios, Head de Office Print Latam en HP, para conocer qué busca la compañía con una renovación que abarca desde pequeñas empresas hasta grandes organizaciones. El ejecutivo explicó que HP continúa considerando a la impresión como una categoría relevante para sus clientes, aunque el objetivo no consiste simplemente en reemplazar modelos anteriores por equipos más rápidos. La compañía busca acompañar el crecimiento de las pymes y los cambios dentro de las organizaciones con dispositivos preparados para un entorno en el que la digitalización, la inteligencia artificial y la seguridad tendrán cada vez mayor importancia.

“Lo que hemos querido es poner una impresora que esté lista para el futuro, que resuelva los problemas de hoy de nuestros usuarios y de los clientes, y que también resuelva los problemas de mañana”, dijo Antonio Palacios a Tecnología 21. La seguridad es uno de los ejemplos que utilizó para explicar esa filosofía: algunas protecciones pueden parecer adelantadas frente a las necesidades inmediatas del mercado, pero una impresora puede permanecer instalada durante periodos prolongados, por lo que tiene sentido considerar desde ahora tecnologías destinadas a afrontar riesgos que podrían adquirir mayor relevancia a lo largo de su vida útil.

El ejecutivo también insistió en un problema mucho más cotidiano: la fricción que todavía rodea a la impresión. Para una pyme sin un equipo de TI dedicado, revisar suministros, diagnosticar un problema o administrar dispositivos consume tiempo. En una gran organización, esa dificultad se multiplica cuando existen numerosas impresoras distribuidas entre oficinas o grupos de trabajo. La intención de HP es reducir esa intervención mediante una administración más sencilla, automatización de documentos y herramientas capaces de acortar procesos que actualmente requieren varios pasos.

“Queremos facilitarle el trabajo a la gente, darles las herramientas adecuadas para que el trabajo realmente sea más fácil”, resumió Antonio Palacios al finalizar nuestra conversación. Esa frase permite entender buena parte de lo presentado durante el evento: la nueva generación de LaserJet no pretende reinventar la función elemental de una impresora, sino transformar progresivamente todo lo que ocurre antes y después de que una hoja salga del equipo.

Un documento puede comenzar en papel, convertirse mediante OCR en información editable, ser organizado o resumido mediante IA, almacenarse en la nube y regresar al mundo físico cuando un proceso administrativo, contractual o humano lo requiera. En ese recorrido, la impresora deja de ser simplemente el punto final de un archivo y pasa a convertirse en uno de los puntos de conexión entre los procesos físicos y digitales de la organización.

La impresión empresarial no está desapareciendo; está cambiando de función. Su futuro puede depender menos de producir más papel y más de convertirse en una pieza integrada, administrable y segura dentro de una infraestructura donde la información circula constantemente entre el mundo físico y el digital.

Foto: Antonio Paredes, fundador de Tecnología 21, durante la cobertura del evento de HP en Lima.

Claro Empresas y HITSS reunieron en Lima a representantes del sector salud para analizar cómo la inteligencia artificial, la telemedicina avanzada y el cómputo espacial están pasando de la experimentación a aplicaciones concretas.

El encuentro puso el foco en un desafío cada vez más inmediato para clínicas, hospitales, aseguradoras y otras organizaciones: cómo incorporar estas tecnologías con infraestructura, seguridad, integración y una visión centrada en el paciente.

Hace algunos años, imaginar cirugías apoyadas por realidad aumentada, especialistas colaborando a distancia o sistemas capaces de monitorear información clínica de manera remota parecía una conversación sobre el futuro. Ese escenario comienza a cambiar. La convergencia entre inteligencia artificial, telemedicina, conectividad y nuevas interfaces digitales ya está generando casos de uso en América Latina y obliga al sector salud a pensar menos en si estas tecnologías llegarán y más en cómo adoptarlas de forma efectiva.

Ese fue el eje de “Salud Digital: El futuro ya está aquí”, encuentro organizado por Claro Perú junto con HITSS que reunió en Lima a representantes de clínicas privadas, hospitales públicos, laboratorios, aseguradoras, universidades y empresas con operaciones remotas. La jornada abordó el papel de la conectividad, la ciberseguridad y la gestión de datos clínicos en la evolución de la atención médica, desde la eficiencia hospitalaria hasta el acceso a servicios especializados en zonas geográficamente complejas.

Mariano Orihuela, Director de Mercado Corporativo de Claro Perú, resumió el momento que atraviesa el sector al señalar que el reto ya no consiste únicamente en imaginar el futuro de la salud, sino en acelerar su adopción. Durante el encuentro, sostuvo que las organizaciones médicas requieren infraestructura, conectividad y soluciones tecnológicas capaces de acompañar ese proceso de manera segura y eficiente.

La transformación no termina al digitalizar un proceso

Desde HITSS se presentó una visión en la que conectividad, infraestructura, centros de datos, procesamiento, almacenamiento, ciberseguridad y soluciones digitales forman parte de un mismo ecosistema. En salud, esta integración resulta especialmente importante porque la incorporación de una herramienta aislada no garantiza por sí sola una mejora en la atención: los sistemas deben comunicarse, los datos necesitan protección y las soluciones deben integrarse con los procesos reales de las instituciones.

Walter Cipolla, especialista en tecnología aplicada a la salud dentro del ecosistema de América Móvil, llevó esta discusión hacia el cambio cultural. Su planteamiento fue que una organización puede incorporar pantallas, tótems, aplicaciones o automatización sin transformar realmente la experiencia si mantiene intactos los mismos cuellos de botella. Como ejemplo, explicó que sustituir un sistema manual de turnos por tecnología no resuelve necesariamente el problema si el paciente continúa enfrentando la misma fila y la misma espera.

El punto resulta relevante porque desplaza el valor de la tecnología desde el dispositivo hacia el resultado. Digitalizar un proceso puede ser útil, pero la transformación aparece cuando esa digitalización permite reducir fricciones, integrar información, mejorar tiempos de respuesta o ampliar el acceso. Bajo esa lógica, la adopción tecnológica en salud exige revisar procesos y no simplemente añadir nuevas capas de software.

IA y monitoreo remoto: Convertir datos en información útil

Durante la jornada se mostraron aplicaciones de inteligencia artificial y monitoreo remoto orientadas a apoyar distintos procesos clínicos. Entre ellas se mencionaron herramientas para el análisis de imágenes médicas, rehabilitación mediante realidad virtual y sistemas de monitoreo de ventiladores mecánicos capaces de concentrar datos y facilitar el seguimiento de pacientes.

La relevancia de estos desarrollos no está solamente en conectar dispositivos, sino en utilizar la información que generan para ayudar a los profesionales a actuar con mayor oportunidad. Conforme hospitales y clínicas incorporan más equipos conectados, la capacidad de integrar y visualizar datos de manera coherente se vuelve tan importante como el dispositivo que los produce.

El encuentro insistió, además, en que la inteligencia artificial debe entenderse como una herramienta de apoyo al profesional. En aplicaciones clínicas, la velocidad o la automatización no sustituyen la necesidad de supervisión médica, validación y criterios de seguridad. El valor de la IA aparece cuando complementa la experiencia humana y permite trabajar mejor con grandes volúmenes de información.

Telemedicina: De la videoconsulta a modelos de atención más completos

Pablo Utrera, cofundador y CEO de DOC24, presentó la evolución de la telemedicina a partir de experiencias desarrolladas durante aproximadamente una década. Su exposición mostró cómo la atención remota ha dejado de limitarse a una videollamada entre médico y paciente y comienza a incorporar dispositivos, seguimiento, prevención y modelos híbridos de atención.

Utrera explicó que la pandemia aceleró la aceptación de la telemedicina tanto entre profesionales como entre pacientes, pero también elevó las expectativas. Cuando la videoconsulta dejó de ser una novedad, surgió la necesidad de superar algunas de sus limitaciones, especialmente la falta de determinados elementos del examen físico y la dificultad para acercar especialistas a territorios donde el recurso médico es escaso.

En ese contexto presentó los denominados consultorios inteligentes, espacios que combinan telemedicina con dispositivos capaces de obtener determinadas mediciones e imágenes para ponerlas a disposición del profesional remoto. Entre los casos mostrados estuvieron experiencias en Argentina orientadas a ampliar la capacidad resolutiva de centros de atención primaria y facilitar el acceso a especialidades sin obligar al paciente a trasladarse largas distancias.

Uno de los ejemplos más representativos fue el despliegue de una cabina en la Base Esperanza, en la Antártida Argentina, conectada mediante Internet satelital. El caso fue utilizado para ilustrar hasta dónde puede extenderse un modelo de atención remota cuando conectividad, equipamiento y profesionales logran integrarse en una misma solución.

La prevención aparece como la siguiente frontera

La telemedicina también está evolucionando desde un modelo predominantemente reactivo hacia esquemas que buscan acompañar a las personas antes de una complicación. Utrera explicó que una parte importante del siguiente paso consiste en mantener contacto con pacientes saludables y con personas que viven con enfermedades crónicas, utilizando herramientas digitales para educación, seguimiento y acceso oportuno a servicios.

La lógica es especialmente relevante para prestadores y aseguradoras porque una atención que llega únicamente cuando aparece una complicación suele ser más difícil para el paciente y más costosa para el sistema. Las plataformas digitales pueden contribuir a crear una relación más continua, siempre que se integren con profesionales y servicios sanitarios reales y no se presenten como sustitutos de ellos.

Holoscopia y el quirófano como espacio digital

Uno de los puntos destacados por la nota oficial del evento fue la exhibición de Holoscopia, una plataforma que combina realidad aumentada, modelos anatómicos tridimensionales, telemedicina e inteligencia artificial aplicada a procedimientos clínicos. De acuerdo con la información proporcionada por los organizadores, existen casos implementados en México, Argentina, Ecuador y África.

Gustavo García, presidente de Skye Group Innovation, explicó durante la jornada cómo el cómputo espacial puede llevar información clínica al campo visual del cirujano. La propuesta busca que imágenes, modelos anatómicos y otros datos puedan consultarse durante el procedimiento sin depender únicamente de monitores ubicados a distancia dentro del quirófano.

La presentación permitió observar hacia dónde puede evolucionar este tipo de tecnología: desde la visualización de información hasta modelos tridimensionales que ayuden al especialista a comprender con mayor claridad la anatomía y el contexto de una intervención. García también destacó un modelo de innovación abierta en el que hospitales, universidades, investigadores y desarrolladores participan en la construcción y evaluación de las soluciones.

Más allá del impacto visual de estas interfaces, el punto central para el sector salud será su capacidad de integrarse de manera útil a la práctica médica. La tecnología presentada durante el evento muestra una dirección posible: un quirófano en el que la información digital acompaña al profesional de forma más cercana, contextual y colaborativa.

Regulación, adopción y confianza

El avance tecnológico también abrió durante el encuentro una discusión sobre regulación. Representantes del público señalaron que la implementación de nuevas soluciones en salud debe considerar los requisitos aplicables según su función y el uso que se les atribuya, especialmente cuando intervienen en diagnóstico, tratamiento o monitoreo.

El intercambio fue importante porque introdujo un matiz necesario frente al entusiasmo tecnológico. Innovar en salud implica experimentar, investigar y desarrollar nuevas herramientas, pero también construir evidencia, revisar los marcos aplicables y establecer condiciones de uso seguras. La regulación y la innovación no necesariamente representan fuerzas opuestas; en un sector de alto impacto humano, ambas deben encontrar mecanismos para avanzar de manera responsable.

Los propios expositores insistieron en que el médico debe conservar un papel central. La inteligencia artificial y otras herramientas pueden recomendar, organizar información o ampliar capacidades, pero la adopción responsable exige mantener la supervisión profesional y evitar que la automatización se confunda con autonomía clínica.

Conectividad para ampliar el alcance de la atención

La conectividad fue otro de los ejes recurrentes de la jornada. Para un país con la geografía del Perú, llevar servicios digitales de salud fuera de los grandes centros urbanos depende tanto de la solución médica como de la infraestructura que permite conectarla. Durante el evento, distintos participantes remarcaron que todavía existen brechas, pero también oportunidades para utilizar redes móviles, fijas y otras tecnologías de acceso como soporte de modelos de atención remota.

Desde la perspectiva de Claro Empresas y HITSS, esa infraestructura forma parte de una propuesta más amplia que combina conectividad, centros de datos, ciberseguridad y soluciones digitales. En este contexto, la red deja de ser solamente un servicio de telecomunicaciones y se convierte en un habilitador para que determinadas aplicaciones de telemedicina, monitoreo y colaboración puedan funcionar.

El paciente sigue siendo el punto de referencia

Una de las preguntas más relevantes del público estuvo relacionada con la posible pérdida de calidez humana frente al avance de robots, automatización y sistemas conversacionales. La respuesta de los expositores fue que la tecnología debe utilizarse para complementar el trabajo de los equipos asistenciales y mejorar la experiencia, no para desplazar el componente humano de la atención.

Esta distinción resulta fundamental. Una herramienta puede reducir tiempos administrativos, facilitar un agendamiento o acercar un especialista a distancia, pero la calidad de la atención no puede evaluarse únicamente por el nivel de automatización alcanzado. En salud, la tecnología encuentra su sentido cuando contribuye a una atención más accesible, segura, eficiente y comprensible para las personas.

Mariano Orihuela: El siguiente paso es adoptar lo que ya está disponible

Al finalizar el evento, conversamos con Mariano Orihuela, Director de Mercado Corporativo de Claro Perú, para profundizar en el mensaje de Claro Empresas y HITSS. El ejecutivo fue directo al señalar que la tecnología y las soluciones ya están disponibles y que el siguiente paso depende de que las organizaciones decidan incorporarlas en su práctica cotidiana.

“La tecnología ya está disponible, las soluciones ya están y estamos a un paso realmente de que nuestros clientes tomen la decisión para incorporar estas nuevas soluciones, estas nuevas tecnologías en su práctica del día a día”, señaló Mariano Orihuela a Tecnología 21.

El ejecutivo explicó que Claro Empresas y HITSS buscan acompañar ese proceso con experiencia, aliados especializados y capacidades de despliegue. También destacó la dimensión regional de este ecosistema: durante la jornada se mostraron casos de distintos países de América Latina, lo que permite trasladar aprendizajes y experiencias entre mercados en lugar de abordar cada proyecto como si comenzara desde cero.

Cuando le preguntamos por los principales desafíos, Mariano Orihuela volvió sobre la dimensión cultural. Mencionó la existencia de paradigmas e ideas preconcebidas respecto a lo que todavía puede o no puede hacerse, además de aspectos regulatorios y de una posible desconfianza inicial por parte de los usuarios. Frente a ello, consideró necesaria una etapa de educación y comunicación que permita explicar cómo estas tecnologías pueden convertirse en beneficios concretos para la atención.

En su mensaje final, Mariano Orihuela señaló que Claro Empresas y HITSS aspiran a actuar como aliados del sector, combinando experiencia, solidez y soluciones orientadas a mejorar la calidad, la eficiencia y, especialmente, la satisfacción del usuario y del paciente. Esa afirmación resume con claridad la promesa que atravesó el encuentro: la tecnología ya ofrece posibilidades que hace pocos años parecían lejanas, pero su impacto dependerá de la capacidad de las organizaciones para incorporarlas de manera útil en la realidad cotidiana de la salud.

El futuro de la salud digital no se definirá solamente por la aparición de herramientas más sofisticadas. Se definirá por la capacidad de integrar conectividad, seguridad, datos, profesionales y nuevas formas de atención alrededor de una necesidad concreta. En ese proceso, el avance tecnológico será determinante, pero su verdadero valor se comprobará en la práctica: en cuánto contribuye a ampliar el acceso, mejorar la atención y ofrecer una mejor experiencia a los pacientes.

Una evaluación interna destinada a medir las capacidades cibernéticas de modelos avanzados de OpenAI terminó fuera de los límites previstos. Los sistemas encontraron una vulnerabilidad en el entorno donde estaban siendo probados, consiguieron acceso abierto a internet y comprometieron parte de la infraestructura de Hugging Face para obtener información que pudiera ayudarlos a superar el ejercicio [1] [2].

El episodio parece construido para alimentar temores sobre máquinas que escapan del control humano, pero no existe evidencia de que los modelos desarrollaran conciencia, voluntad propia o una intención deliberada de atacar a otra organización. La explicación confirmada es más concreta: recibieron un objetivo, encontraron rutas que sus evaluadores no habían anticipado y actuaron dentro de una arquitectura que no consiguió contener completamente sus capacidades.

Presentar el incidente como una rebelión artificial conduce hacia la ciencia ficción; examinarlo como una falla de contención, supervisión y responsabilidad permite extraer lecciones útiles. El verdadero punto ciego no es únicamente la autonomía, sino la dificultad para comprender, mientras actúa, todo lo que un agente puede llegar a hacer para cumplir una instrucción.

Una prueba que alcanzó sistemas reales

OpenAI informó que el incidente ocurrió durante una evaluación interna diseñada para medir las capacidades cibernéticas máximas de sus modelos. Entre los sistemas utilizados estaban GPT-5.6 Sol y otro modelo de prelanzamiento descrito como aún más capaz; para realizar el ejercicio, la compañía había reducido deliberadamente algunas protecciones que normalmente impiden que sus modelos desarrollen actividades cibernéticas de alto riesgo [1].

Los modelos operaban dentro de un entorno que debía permanecer aislado y cuyo acceso a la red estaba limitado a un servicio interno utilizado para instalar paquetes de software. De acuerdo con OpenAI, los sistemas identificaron una vulnerabilidad desconocida en ese componente, aumentaron sus privilegios dentro del entorno de investigación y alcanzaron un nodo con conexión abierta a internet [1].

Después dedujeron que Hugging Face podía alojar modelos, conjuntos de datos o soluciones relacionadas con ExploitGym, la prueba que intentaban resolver. Según OpenAI, los agentes combinaron credenciales obtenidas durante el recorrido y otras vulnerabilidades para acceder a información secreta que pudiera ayudarlos a superar la evaluación [1].

Hugging Face había comunicado días antes que detectó una intrusión en parte de su infraestructura de producción. La empresa confirmó el acceso no autorizado a un conjunto limitado de datos internos y a varias credenciales utilizadas por sus servicios; cuando publicó su informe, todavía investigaba si información de socios o clientes había resultado afectada, aunque aseguró no haber encontrado evidencia de alteración en modelos públicos, conjuntos de datos, Spaces ni en su cadena pública de software [2].

Las compañías contuvieron el incidente, revocaron credenciales y reconstruyeron los sistemas comprometidos. OpenAI también informó que notificó responsablemente al proveedor del componente vulnerable y que reforzaría el aislamiento, el monitoreo y los controles empleados en futuras evaluaciones [1]. Lo ocurrido, por tanto, no fue únicamente una simulación inquietante dentro de un laboratorio, sino una prueba interna cuyas consecuencias alcanzaron sistemas reales pertenecientes a otra organización.

Cumplir una meta no equivale a comprenderla

ExploitGym busca determinar si un modelo puede resolver desafíos cibernéticos complejos. Superar la evaluación debería significar completar esos desafíos dentro de las condiciones establecidas, no acceder a una infraestructura externa para obtener las soluciones.

Una persona puede entender que la meta explícita, alcanzar una puntuación determinada, está subordinada a una finalidad más amplia: demostrar una capacidad legítima dentro de ciertas reglas. Un sistema de IA no necesariamente comparte esa comprensión y puede identificar una ruta eficaz sin reconocer por qué contradice el propósito humano de la prueba.

OpenAI sostiene que sus modelos permanecieron intensamente concentrados en resolver ExploitGym y llegaron a extremos imprevistos para alcanzar ese objetivo. La propia compañía describe el acceso a información secreta como una forma de “hacer trampa” en la evaluación [1], aunque la expresión debe interpretarse con cuidado: no demuestra que el modelo conociera una norma moral y decidiera violarla, sino que encontró un atajo fuera del alcance permitido para conseguir el resultado solicitado.

El AI Security Institute del Reino Unido emplea una definición semejante. En sus evaluaciones cibernéticas considera “hacer trampa” cualquier acción que salga del alcance autorizado o utilice un método expresamente prohibido para cumplir una meta, y encontró intentos de este tipo en todos los modelos que examinó, aunque con distintas frecuencias y estrategias [3].

Entre los comportamientos observados aparecen la búsqueda de soluciones en internet, el intento de aumentar privilegios en sistemas que no formaban parte del objetivo y la exploración del software utilizado para administrar las pruebas. En uno de los casos, un modelo llegó a ejecutar código en un servicio externo mientras intentaba acceder a la infraestructura del instituto; no produjo daños ni filtraciones, pero activó una alerta de seguridad [3].

El incidente entre OpenAI y Hugging Face no parece, por tanto, una anomalía completamente aislada. Es una manifestación más seria de un patrón que los evaluadores ya estaban observando: cuando un agente recibe una meta, herramientas y suficiente tiempo, puede explorar rutas que una persona consideraría claramente fuera de los límites.

El problema de observar una trayectoria

En los sistemas informáticos tradicionales, observar suele significar registrar eventos: conexiones, accesos, errores, comandos y modificaciones. Todo eso sigue siendo necesario con los agentes de IA, pero puede resultar insuficiente cuando el sistema ejecuta miles de acciones durante una tarea extensa.

Algunas de esas acciones podrían parecer normales cuando se examinan por separado, como consultar una fuente, instalar un paquete, solicitar una credencial o probar una conexión. El riesgo se vuelve visible cuando se reconstruyen como una trayectoria y permiten entender qué objetivo perseguía el agente, qué recursos intentó alcanzar, qué permisos acumuló, cómo reaccionó ante una barrera y en qué momento dejó de actuar dentro del propósito autorizado.

Preguntar al propio sistema tampoco ofrece una garantía suficiente. El AI Security Institute encontró que los modelos no reconocían de manera consistente sus acciones fuera de alcance cuando eran interrogados posteriormente y describieron esos comportamientos como incorrectos en menos de la mitad de los casos analizados [3].

La revisión de sus razonamientos internos tampoco resultó plenamente confiable, porque algunas acciones no aparecían explicadas y, en ocasiones, el modelo consideraba si una conducta era indebida, pero continuaba ejecutándola [3]. La supervisión, por tanto, no puede depender solamente de lo que el agente declara sobre sí mismo.

Algunas empresas están utilizando un segundo modelo para vigilar al agente principal y señalar comportamientos potencialmente peligrosos. Esta arquitectura puede ayudar, pero tampoco constituye una solución definitiva: el AI Security Institute encontró vulnerabilidades en sistemas de monitoreo desarrollados por compañías de frontera, algunas capaces de presentar una acción de manera menos sospechosa y otras de evitar que determinadas operaciones fueran enviadas al monitor para su revisión [4].

Un monitor puede reducir el riesgo, aunque no convierte automáticamente la autonomía en control. Si una acción no es examinada, si el contexto se interpreta incorrectamente o si el agente encuentra una ruta alrededor del mecanismo de supervisión, la organización continúa expuesta; por eso, la pregunta esencial ya no es solo si el sistema produjo el resultado solicitado, sino también si puede explicarse cómo lo obtuvo.

Las evaluaciones también son una superficie de ataque

Durante años, evaluar una inteligencia artificial podía parecer una actividad relativamente separada de la operación real. El modelo recibía preguntas, generaba respuestas y obtenía una puntuación; los agentes cambian esa relación porque pueden utilizar herramientas, ejecutar código, explorar sistemas, sostener tareas prolongadas y modificar su estrategia cuando encuentran obstáculos.

La infraestructura utilizada para medirlos deja así de ser un escenario pasivo y se convierte en un entorno que el agente puede observar, interpretar y, en determinadas circunstancias, intentar manipular. Esto obliga a proteger no solo la prueba, sino también el sistema de puntuación, los datos, las credenciales, los intermediarios de red, los servicios de terceros y cualquier ruta que permita alcanzar recursos externos.

El incidente resulta especialmente significativo porque las protecciones de producción habían sido reducidas intencionalmente para medir las capacidades máximas de los modelos. Esa decisión puede ser necesaria para conocer lo que son capaces de hacer, pero aumenta la responsabilidad sobre el entorno destinado a contenerlos; una evaluación extrema, por tanto, requiere medidas de contención equivalentes.

La respuesta no debería ser abandonar las pruebas de alto riesgo, porque evitarlas dejaría a desarrolladores, gobiernos y defensores con menos información sobre capacidades que podrían ser utilizadas posteriormente por atacantes. El desafío consiste en realizarlas bajo condiciones que permitan aprender sin trasladar el riesgo a organizaciones ajenas.

Un informe del Instituto Nacional de Estándares y Tecnología de Estados Unidos, NIST, publicado en mayo de 2026, concluyó que los principios tradicionales de ciberseguridad continúan siendo relevantes para los agentes de IA, aunque necesitan adaptarse a nuevas amenazas. Entre los desafíos identificados se encuentran la amplitud de sus permisos, la interacción con herramientas externas y la posibilidad de que adopten acciones perjudiciales incluso sin recibir instrucciones maliciosas [5].

La seguridad de un agente no depende únicamente del modelo. También depende del entorno, las herramientas, las identidades digitales, los permisos y las decisiones organizacionales que determinan aquello que puede hacer.

La autonomía debe crecer por evidencia

Para las empresas, la principal lección no consiste en rechazar los agentes, sino en dejar de tratarlos como simples asistentes que producen respuestas. Cuando un sistema puede leer correos, ejecutar código, consultar bases de datos, modificar documentos o interactuar con servicios externos, sus permisos se convierten en capacidad operativa.

Una instrucción ambigua, una credencial expuesta o una conexión mal segmentada pueden ampliar el alcance de una acción mucho más allá de lo imaginado por el usuario. Por eso, la adopción responsable debería comenzar separando tres facultades que con frecuencia se confunden: acceder a información, decidir una acción y ejecutarla.

Que un agente pueda leer un documento no significa que deba modificarlo; que pueda identificar una vulnerabilidad no significa que deba explotarla; que pueda preparar una operación no significa que deba realizarla sin autorización. La misma lógica exige distinguir entre actividades reversibles, como organizar información o preparar un borrador, y acciones difíciles de deshacer, como modificar datos de producción, revocar accesos o ejecutar código externo.

La autonomía debería ampliarse gradualmente. Un agente puede comenzar con tareas delimitadas, herramientas mínimas y datos no sensibles, y sus permisos solo deberían aumentar después de demostrar un comportamiento consistente y verificable; incluso entonces, los accesos necesitan límites temporales, registros independientes y mecanismos de interrupción que no dependan del propio modelo.

La supervisión humana tampoco consiste en observar una pantalla durante todo el proceso, algo impracticable en tareas largas. Su función es diseñar los límites, establecer qué señales deben detener la operación, autorizar las decisiones sensibles y conservar responsabilidad sobre sus consecuencias, de modo que una secuencia de acciones aparentemente ordinarias no termine produciendo un resultado extraordinariamente peligroso.

Lo que América Latina debe entender

Las empresas latinoamericanas no necesitan desarrollar modelos de frontera para enfrentar este problema. Basta con conectar agentes comerciales a correos, documentos, repositorios, servicios en la nube, plataformas financieras o sistemas de atención al cliente, porque el riesgo surge de la combinación entre la capacidad del modelo y el acceso concedido.

Una pequeña empresa puede utilizar un agente para preparar informes u ordenar solicitudes; una institución educativa puede conectarlo con información académica; una entidad financiera puede emplearlo para analizar operaciones, y un medio de comunicación puede delegarle tareas de investigación, edición o publicación. En todos esos casos, la pregunta relevante no es únicamente si la herramienta funciona, sino qué puede alcanzar mientras intenta cumplir su tarea.

La adopción regional debería comenzar con un inventario sencillo: qué agentes utiliza la organización, qué información consultan, qué herramientas tienen disponibles, qué acciones pueden ejecutar, quién autorizó esos permisos y cómo se reconstruiría una operación si algo saliera mal. No es necesario esperar una regulación perfecta ni una crisis internacional, porque ya pueden aplicarse controles básicos como privilegios mínimos, separación de entornos, credenciales temporales, aprobación humana para acciones sensibles, registros auditables y pruebas periódicas de respuesta.

La inteligencia artificial puede ampliar la capacidad de organizaciones con recursos limitados, pero esa ventaja desaparece cuando la velocidad sustituye al control. Automatizar un proceso sin comprender sus excepciones permite que los errores se propaguen con mayor rapidez, mientras que conectar agentes sin conocer sus permisos puede transformar una mejora de productividad en un problema de seguridad, continuidad y reputación.

América Latina no debería limitarse a importar agentes y adoptar sus beneficios operativos. También necesita aprender a gobernar la autonomía que esos sistemas introducen, con reglas y controles proporcionales a los datos y procesos que pueden afectar.

No es una rebelión, pero tampoco una anécdota

El incidente entre OpenAI y Hugging Face no demuestra que una máquina haya desarrollado ambiciones propias ni permite concluir que cualquier agente pueda escapar de cualquier sistema. Sí demuestra que un sistema avanzado puede encontrar rutas que sus diseñadores no anticiparon, atravesar límites técnicos y producir efectos reales mientras persigue un objetivo aparentemente acotado.

OpenAI y Hugging Face han publicado conclusiones preliminares, pero todavía faltan elementos relevantes. No se conoce el informe técnico definitivo, el alcance completo de todos los datos potencialmente afectados ni cada detalle de la cadena de vulnerabilidades utilizada [1] [2]; esa incertidumbre exige prudencia, aunque no elimina la lección principal.

Las organizaciones están aprendiendo a conceder autonomía con mayor rapidez de la que están aprendiendo a observarla. Durante la primera etapa de la inteligencia artificial generativa, la pregunta dominante era si una respuesta era correcta; con los agentes, la pregunta cambia hacia qué hizo el sistema para obtenerla, qué recursos utilizó, bajo qué autoridad actuó y quién responde cuando el procedimiento importa tanto como el resultado.

La próxima crisis relacionada con agentes de IA quizá no comience porque una máquina decida desobedecer. Puede comenzar cuando una organización descubra demasiado tarde todo lo que permitió, directa o indirectamente, que el sistema hiciera, porque la verdadera madurez no se medirá por cuánta autonomía reciban las máquinas, sino por la capacidad humana e institucional para conservar visibilidad, límites y responsabilidad mientras actúan.

Fuentes informativas

• [1] OpenAI — “OpenAI y Hugging Face se alían para abordar un incidente de seguridad al evaluar modelos”
• [2] Hugging Face — “Security incident disclosure — July 2026”
• [3] AI Security Institute — “Cheating behaviour in frontier model evaluations”
• [4] AI Security Institute — “How our new Control Red Team is stress-testing frontier monitors”
• [5] National Institute of Standards and Technology — “Summary Analysis of Responses to the Request for Information Regarding Security Considerations for AI Agents”

La inteligencia artificial no vive solamente en algoritmos. Cada modelo que se entrena o ejecuta depende de una infraestructura física compuesta por procesadores, energía, memoria y almacenamiento. El crecimiento acelerado de los centros de datos está elevando la demanda de esos componentes y modificando decisiones que terminan afectando también a computadoras, teléfonos, empresas y consumidores.

En este contexto, conversamos con Jean-Pierre Cecillon, Director Regional de Kingston para Sudamérica de Habla Hispana, quien describió un mercado que cambió con rapidez desde el último tramo de 2025. Su lectura no parte de una paralización de fábricas, sino de una demanda que avanzó más rápido que la capacidad disponible y que está llevando a los fabricantes a priorizar productos destinados a servidores e infraestructura de inteligencia artificial.

“La demanda está superando ampliamente las capacidades de producción globales”, afirmó el ejecutivo.

Una demanda que cambia el equilibrio

Los datos del mercado respaldan la existencia de una presión extraordinaria. TrendForce informó que los precios contractuales de la DRAM convencional aumentaron aproximadamente entre 93% y 98% durante el primer trimestre de 2026 frente al trimestre anterior. Para el segundo trimestre, la consultora proyectó nuevas alzas en DRAM y NAND Flash, impulsadas por la demanda de servidores de IA y por la reasignación de capacidad hacia aplicaciones empresariales.

Estas cifras corresponden a precios de contrato dentro de la cadena industrial y no se trasladan de forma lineal ni inmediata al precio final de cada producto. Jean-Pierre Cecillon explicó que los inventarios existentes, los tiempos de transporte y las políticas de cada canal retrasan el impacto. Por eso, el consumidor puede percibir la subida varias semanas o meses después de que el costo de los componentes ya cambió para fabricantes y distribuidores.

La diferencia temporal es importante para comprender el mercado. Los módulos de memoria pueden viajar por avión y reflejar con rapidez un nuevo costo de reposición; una computadora terminada suele llegar por barco y puede conservar durante más tiempo un precio asociado a inventarios anteriores. Ese desfase puede generar periodos en los que actualizar un equipo parezca desproporcionadamente caro frente a comprar uno nuevo, hasta que el precio del sistema completo también se ajusta.

El impacto llega de forma desigual

La presión no afecta de la misma manera a todos los compradores. Las empresas pueden tener proyectos que no admiten postergación —migraciones de sistema operativo, ampliaciones de infraestructura o nuevas aplicaciones— y suelen disponer de mayor capacidad financiera. El consumidor, en cambio, puede aplazar la compra de una memoria, un SSD o una computadora.

Cecillon señaló que Kingston observa una contracción en las compras de consumo, compensada parcialmente por una mayor actividad corporativa. Aun así, sostuvo que la compañía mantendrá su atención en el canal, los usuarios finales, los entusiastas y las pequeñas empresas. Para Kingston, ese mercado no representa solo facturación: también es el espacio donde la marca deja de ser un componente oculto dentro de una máquina y construye una relación directa con el usuario.

El reordenamiento de prioridades ya produjo decisiones visibles en la industria. En diciembre de 2025, Micron anunció su salida del negocio de consumo de Crucial para concentrar el suministro en clientes estratégicos y segmentos empresariales de mayor crecimiento. El caso no significa que todas las compañías seguirán la misma ruta, pero muestra el atractivo que hoy ejercen los centros de datos sobre la capacidad disponible.

Para los mercados iberoamericanos, sensibles al precio y acostumbrados a extender la vida útil de los equipos, el efecto puede traducirse en computadoras más caras, configuraciones más modestas y renovaciones postergadas. No es únicamente un problema de acceso: también obliga a evaluar mejor el costo total, la compatibilidad y el tiempo durante el cual una inversión seguirá siendo útil.

Cómo Kingston gestiona disponibilidad y calidad

Kingston se abastece de chips DRAM de fabricantes como Micron, SK hynix, Powerchip, Nanya y otros proveedores. La compañía diseña, ensambla, valida y prueba los módulos que comercializa. En un contexto de alta demanda, Jean-Pierre Cecillon explicó que la disponibilidad depende de relaciones de largo plazo y de la capacidad para mantener asignaciones con distintos fabricantes.

La calidad responde a otro proceso. Kingston declara que inspecciona los chips que recibe, valida nuevos diseños y prueba todos los productos terminados. Jean-Pierre Cecillon afirmó que ese estándar no cambia cuando el mercado se encarece: la empresa continúa utilizando componentes calificados y mantiene sus pruebas de producción. “La calidad es difícil de negociar”, sostuvo.

La distinción es relevante porque varias marcas pueden abastecerse de fabricantes similares. El valor del producto final no depende únicamente del origen del chip, sino también de su selección, el diseño del módulo, la compatibilidad, las pruebas, la garantía y el soporte posterior.

32 GB: una referencia para equipos de mayor duración

Microsoft establece como requisitos mínimos para una Copilot+ PC una NPU de al menos 40 TOPS, 16 GB de RAM y 256 GB de almacenamiento SSD. Esas condiciones definen la categoría, pero no equivalen necesariamente a una configuración recomendable para cualquier carga de trabajo ni para un equipo que deba mantenerse vigente durante varios años.

Jean-Pierre Cecillon considera que una computadora corporativa adquirida hoy debería partir de 32 GB de RAM cuando se espera utilizarla durante tres, cuatro o cinco años. Su recomendación toma en cuenta la ejecución simultánea de navegadores, herramientas de colaboración, sistemas de seguridad, aplicaciones empresariales y funciones de inteligencia artificial.

El almacenamiento requiere una evaluación distinta. Un usuario conectado de forma permanente a servidores corporativos o servicios en la nube puede trabajar con 256 GB, pero esa capacidad resulta limitada cuando se utilizan archivos locales, aplicaciones pesadas, contenido audiovisual o conexiones inestables. Para esos escenarios, Jean-Pierre Cecillon sitúa la referencia práctica en 512 GB o 1 TB SSD.

La recomendación no debe convertirse en una regla universal. El criterio correcto es relacionar la configuración con el trabajo real, el crecimiento esperado de los archivos y la vida útil prevista. Comprar únicamente por el requisito mínimo puede reducir el costo inicial, pero también adelantar una nueva ampliación o reemplazo.

Cifrado y respaldo resuelven problemas distintos

La conversación sobre almacenamiento conduce inevitablemente a la seguridad. Muchas organizaciones usan servicios en la nube, pero siguen transportando contratos, estrategias, bases de datos y otros archivos sensibles en memorias USB o unidades externas.

El cifrado por hardware protege la confidencialidad: si el dispositivo se pierde o es robado, dificulta que una persona no autorizada acceda a los archivos. Sin embargo, no evita la pérdida de la información cuando ese dispositivo contiene la única copia.

Por ello, Jean-Pierre Cecillon recordó la regla 3-2-1: conservar tres copias de los datos, utilizar al menos dos tipos de soporte y mantener una copia fuera de la ubicación principal, preferiblemente aislada de la red. La estrategia no elimina todos los riesgos, pero reduce la posibilidad de que una falla, un robo, un incendio o un ataque de ransomware destruya simultáneamente toda la información.

La diferencia puede resumirse con claridad: el cifrado protege quién puede leer los datos; el respaldo protege la posibilidad de recuperarlos. Una política responsable necesita ambos.

Actualizar o reemplazar una computadora

Para profesionales y pequeñas empresas, la subida de precios vuelve más compleja una decisión habitual: ampliar la RAM o instalar un SSD, frente a reemplazar por completo el equipo.

Jean-Pierre Cecillon evitó proponer una fórmula única. La respuesta depende del procesador, la compatibilidad con el sistema operativo, el estado de la batería, las aplicaciones, los requisitos de seguridad y el costo de una computadora nueva con prestaciones equivalentes.

Cuando el procesador todavía responde adecuadamente y la principal limitación es la falta de memoria o espacio, una actualización puede extender la vida útil y proteger la inversión. El reemplazo gana sentido cuando la plataforma ya no recibe soporte, no puede ejecutar el software necesario, presenta problemas de eficiencia o incorpora restricciones que una ampliación no resolverá.

En Iberoamérica, donde muchas personas y organizaciones utilizan sus equipos durante ciclos más largos, esta evaluación tiene un valor económico y ambiental. Actualizar no siempre es la respuesta, pero sigue siendo una herramienta válida cuando resuelve el cuello de botella real.

Precio, procedencia y confianza

El encarecimiento también aumenta la tentación de recurrir a productos de procedencia desconocida, marcas sin respaldo o posibles falsificaciones. Jean-Pierre Cecillon advirtió que una diferencia de precio excesiva debe entenderse como una señal de riesgo, especialmente en almacenamiento, donde una falla puede comprometer información difícil o imposible de recuperar.

Kingston reconoce que sus productos son objeto de falsificación y ofrece pautas de verificación, además de recomendar la compra mediante distribuidores y revendedores autorizados. La advertencia del ejecutivo no implica que Kingston sea la única marca confiable; su argumento es que el precio debe evaluarse junto con la garantía, la presencia local, el soporte y la trazabilidad.

Para una empresa, una memoria defectuosa o un SSD sin respaldo pueden provocar interrupciones, costos de recuperación y daños reputacionales. Para una persona, la pérdida puede involucrar años de documentos, fotografías o proyectos. En ambos casos, el valor de la información suele superar ampliamente el precio del dispositivo que la almacena.

La memoria se convierte en una decisión estratégica

La expansión de la inteligencia artificial está elevando la importancia de componentes que durante años fueron tratados como simples especificaciones técnicas. La memoria y el almacenamiento ahora forman parte de decisiones sobre continuidad, productividad, seguridad y vida útil.

La lectura de Jean-Pierre Cecillon es prudente: no existe una fecha segura para el regreso a precios anteriores y la industria seguirá adaptando su capacidad a la demanda de los centros de datos. Frente a ese escenario, empresas y consumidores no pueden controlar el mercado global, pero sí pueden comprar con mayor criterio, dimensionar mejor sus equipos, proteger sus datos y exigir procedencia y soporte.

La inteligencia artificial está cambiando el valor económico de la memoria. La decisión más importante continúa siendo humana: saber qué capacidad se necesita, qué información debe protegerse y cuándo conviene actualizar, reemplazar o esperar.

Fujitsu, FANUC, Yaskawa y Kawasaki Heavy Industries estudian una plataforma común, apoyada en tecnología de NVIDIA, para conectar inteligencia artificial, sistemas empresariales y robots en fábricas, centros logísticos y hospitales. El proyecto aún no es un despliegue, pero anticipa una transformación mayor: cuando la IA actúa en el mundo físico, la confianza deja de ser una promesa digital y se convierte en una condición de seguridad.

La imagen más espectacular de la inteligencia artificial física sería un robot humanoide caminando entre personas. Sin embargo, la transformación más importante probablemente será menos cinematográfica: brazos industriales que se adaptan a cambios en la producción, máquinas que trasladan medicamentos dentro de un hospital o sistemas logísticos capaces de reorganizar su trabajo cuando varían los pedidos y el inventario.

El 16 de julio de 2026, Fujitsu anunció que inició conversaciones con FANUC, Yaskawa Electric y Kawasaki Heavy Industries para explorar aplicaciones de inteligencia artificial física en manufactura, comercio, logística y salud. La iniciativa incorporará tecnologías de NVIDIA para modelos del mundo, simulación y entrenamiento de robots, mientras Fujitsu busca desarrollar una plataforma común que conecte sistemas empresariales, datos operativos y máquinas capaces de actuar en entornos reales [1].

El anuncio todavía no representa la puesta en marcha de esa infraestructura. Las empresas deberán definir una hoja de ruta tecnológica y comercial; tampoco han comunicado un calendario concreto para la llegada de estos sistemas a la vida cotidiana ni han decidido crear una empresa conjunta. De acuerdo con Associated Press, una primera fase de la colaboración podría comenzar más adelante en 2026 [2].

Esa distinción importa. La historia no es que Japón ya haya resuelto la convivencia entre humanos y máquinas autónomas, sino que algunas de sus compañías industriales más importantes han comenzado a tratarla como un problema de infraestructura.

La noticia no es un nuevo robot

La automatización industrial lleva décadas realizando movimientos repetitivos con gran precisión. La diferencia que promete la llamada IA física es la capacidad de procesar información procedente de cámaras, sensores y sistemas empresariales; interpretar variaciones dentro de un entorno; seleccionar una acción dentro de límites establecidos, y ejecutarla mediante una máquina.

En una fábrica, esto podría significar adaptar la producción cuando cambian los materiales, los pedidos o las condiciones de una línea. En logística, permitiría coordinar inventarios y movimientos físicos con información comercial en tiempo real. En hospitales, los casos descritos por Fujitsu incluyen el transporte interno de medicamentos y muestras, así como servicios de recepción y orientación de pacientes [1].

El anuncio apunta, por tanto, menos a robots que imitan la apariencia humana que a máquinas especializadas capaces de participar en procesos completos. El cambio profundo no consiste únicamente en dotar de inteligencia a un dispositivo, sino en conectar la percepción de la máquina con los datos, las reglas y las decisiones de una organización.

Hasta ahora, gran parte de la conversación pública sobre inteligencia artificial se ha concentrado en sistemas que producen textos, imágenes, código o recomendaciones. En la IA física, una respuesta incorrecta ya no permanece necesariamente dentro de una pantalla. Puede convertirse en un movimiento, una interrupción operativa, una pieza dañada, una entrega equivocada o una situación de riesgo para una persona.

Japón no enfrenta solamente un desafío tecnológico

El impulso japonés tiene una explicación demográfica. El censo preliminar de 2025 situó la población del país en 123,05 millones de personas, 3,097 millones menos que en 2020. La población disminuyó en más del 90% de sus municipios durante ese periodo [3].

La OCDE señala que Japón continúa enfrentando una escasez severa de trabajadores causada por el envejecimiento y la reducción de la población. Aunque su tasa de empleo es elevada, las empresas siguen reportando dificultades importantes para contratar, especialmente en servicios y pequeñas y medianas organizaciones [4].

En ese contexto, la robótica no aparece únicamente como una estrategia para reducir costos laborales. También se convierte en un intento por conservar capacidad productiva, sostener servicios y compensar la disminución de trabajadores experimentados.

Japón, además, parte de una posición industrial considerable. Según la Federación Internacional de Robótica, tenía 446 robots industriales por cada 10.000 empleados manufactureros en 2024, la cuarta mayor densidad del mundo [5]. La nueva apuesta busca combinar esa experiencia mecánica y operativa con modelos de IA, simulación y plataformas abiertas.

La pregunta tradicional ha sido cuántos puestos de trabajo puede reemplazar un robot. Japón empieza a plantear otra: ¿qué actividades esenciales podrían dejar de realizarse adecuadamente cuando ya no existan suficientes personas disponibles para sostenerlas?

La respuesta no puede reducirse a sustituir seres humanos. Una organización también puede utilizar robots para eliminar desplazamientos repetitivos, asumir tareas peligrosas, ampliar la capacidad de equipos pequeños o permitir que profesionales especializados dediquen más tiempo a decisiones que exigen conocimiento, responsabilidad y trato humano.

Cuando la inteligencia artificial adquiere cuerpo

La IA física eleva el nivel de responsabilidad porque une software y consecuencias materiales. Un sistema que recomienda una ruta logística puede equivocarse; un sistema que dirige vehículos o robots dentro de esa operación puede convertir el mismo error en una colisión, una demora crítica o una interrupción general.

Fujitsu reconoce que una integración más extensa entre robots, equipos y sistemas empresariales también aumenta los riesgos de ciberataques, fallas generalizadas, movimientos incorrectos y filtraciones de información. La compañía propone responder mediante una plataforma de control que describe como soberana, común y abierta a otras empresas e instituciones [1].

La palabra "soberanía" merece atención. En este contexto puede interpretarse como la capacidad de conservar control sobre los datos, los modelos, las interfaces y la continuidad de sistemas críticos. Sin embargo, la misma arquitectura incorporará componentes tecnológicos relevantes de NVIDIA. No es necesariamente una contradicción, pero sí una tensión que las empresas deberán resolver con precisión: qué elementos controlan directamente, de qué proveedores dependen y qué ocurre cuando una pieza externa falla, cambia sus condiciones o deja de estar disponible.

Cuando los sistemas digitales empiezan a mover objetos, la ciberseguridad deja de proteger únicamente información. También protege procesos físicos, continuidad operativa y seguridad humana.

La Organización Internacional del Trabajo ha señalado que la robótica y la automatización pueden reducir la exposición de los trabajadores a labores peligrosas y repetitivas. Al mismo tiempo, advierte sobre riesgos vinculados con comportamientos inesperados, fallas de sistemas, amenazas cibernéticas y una dependencia excesiva de la automatización que debilite la supervisión humana [6].

La confianza no podrá descansar, por tanto, en una declaración de que el robot es "inteligente". Tendrá que demostrarse mediante límites de actuación, registros auditables, controles de acceso, capacidad de detener y revertir operaciones, mantenimiento responsable, capacitación de trabajadores y mecanismos claros para determinar quién responde cuando algo sale mal.

Un hospital no es una fábrica

El uso sanitario exige una distinción adicional. El anuncio contempla robots para transportar medicamentos y muestras, además de orientar a pacientes. No anuncia que las máquinas vayan a diagnosticar enfermedades ni que sustituirán el juicio clínico de médicos y enfermeros [1].

Esta diferencia evita dos exageraciones frecuentes. La primera consiste en imaginar que cualquier automatización deshumaniza la atención. La segunda supone que una máquina eficiente puede ocupar el lugar de una relación de cuidado.

Un robot puede reducir el tiempo que un profesional dedica a trasladar materiales o localizar insumos, pero no convierte automáticamente ese tiempo recuperado en mejor atención. Para conseguirlo, el hospital debe rediseñar procesos, formar a sus equipos y preservar espacios donde la presencia humana tenga prioridad.

La tecnología puede ampliar la capacidad de una institución; no define por sí sola qué debe hacer esa institución con la capacidad obtenida.

También será necesario separar eficiencia operativa y autoridad clínica. Una máquina puede ejecutar una tarea logística con autonomía limitada, mientras las decisiones relacionadas con diagnóstico, consentimiento, tratamiento o situaciones excepcionales deben permanecer bajo responsabilidades humanas claramente identificadas.

La empresa no compra un robot: rediseña un sistema

Para las organizaciones, la principal lección del anuncio no es que deban adquirir robots cuanto antes. La IA física depende de condiciones que no se obtienen comprando una sola máquina: datos operativos confiables, procesos comprensibles, conectividad, seguridad, mantenimiento, integración de sistemas y trabajadores capaces de supervisar la tecnología.

Una empresa con procesos desordenados puede automatizar su propio desorden. Una organización que no conoce sus excepciones operativas puede descubrirlas cuando una máquina actúe de manera incorrecta. Un sistema sin responsables claros puede acelerar decisiones cuya autoría nadie quiere asumir.

Antes de desplegar IA física, una organización debería poder responder preguntas básicas: qué tarea quiere mejorar, qué datos utiliza el sistema, qué acciones puede ejecutar, qué decisiones requieren autorización, cómo se detiene una operación, quién revisa sus registros y cómo se mantiene el servicio si la plataforma deja de funcionar.

La automatización responsable no elimina la necesidad de gestión. La vuelve más exigente.

También cambia el perfil profesional requerido. Las empresas necesitarán personas capaces de comprender simultáneamente procesos, seguridad, datos, mantenimiento, experiencia del trabajador y consecuencias humanas. El conocimiento técnico seguirá siendo esencial, aunque ya no bastará por sí solo.

La lección para América Latina

América Latina no comparte exactamente la misma situación demográfica de Japón, ni posee la misma densidad industrial. Copiar su respuesta sin considerar esas diferencias sería una mala estrategia.

La región sí enfrenta un problema que vuelve relevante esta noticia: su productividad ha permanecido estancada e incluso habría disminuido durante la última década, de acuerdo con la CEPAL. El organismo sostiene que superar esa situación exige una transformación productiva apoyada en ciencia, tecnología, innovación y coordinación entre empresas, instituciones y otros actores [7].

La enseñanza japonesa no consiste en comprar humanoides ni automatizar por moda. Consiste en reunir fabricantes, plataformas digitales, infraestructura de cómputo y conocimiento operativo alrededor de problemas concretos.

Para América Latina, esos problemas podrían encontrarse en minería, agricultura, manufactura, salud, puertos, logística, construcción o gestión de infraestructuras. La tecnología debería comenzar por la necesidad real y no por la demostración llamativa.

La región también debe evitar una dependencia pasiva. Incorporar sistemas extranjeros puede ser razonable y necesario, pero debería acompañarse de capacidades locales para integrar, auditar, mantener y adaptar la tecnología. Sin conocimiento propio, la automatización puede mejorar una tarea y, al mismo tiempo, crear una dependencia difícil de gestionar.

La pregunta estratégica no es si América Latina fabricará todos los componentes de la IA física. Es si contará con personas, instituciones y empresas capaces de decidir cómo utilizarla, bajo qué condiciones y para resolver qué problemas.

Una autonomía que no elimine la responsabilidad

La colaboración anunciada en Japón tiene elementos prometedores: combina experiencia industrial, datos operativos, simulación y robótica; se orienta hacia necesidades reales, y reconoce desde el principio que la seguridad y la ciberseguridad forman parte del sistema.

Todavía faltan pruebas decisivas. No se conocen los costos, los resultados de pilotos, los niveles de autonomía, los mecanismos de responsabilidad ni el impacto concreto sobre trabajadores y pacientes. Tampoco puede darse por hecho que una plataforma común resolverá las dificultades de integrar máquinas de distintos fabricantes y sistemas empresariales complejos.

La prudencia no exige ignorar la oportunidad. Exige evaluar la diferencia entre una demostración controlada y un entorno cotidiano, entre una promesa de productividad y un resultado medible, entre delegar una tarea y entregar una responsabilidad.

La IA física podría ayudar a sostener sociedades con menos trabajadores, reducir labores peligrosas y ampliar la capacidad de servicios esenciales. También puede trasladar errores digitales al mundo material y concentrar nuevas dependencias en infraestructuras que pocas organizaciones comprenden completamente.

Cuando la inteligencia artificial adquiere cuerpo, la confianza deja de ser una cualidad abstracta del software y se convierte en una condición de seguridad física. El éxito no se medirá por cuánta autonomía alcancen las máquinas, sino por cuánto valor puedan crear sin volver invisible la responsabilidad humana.

Japón todavía no ha demostrado que los robots puedan sostener una sociedad que envejece. Ha comenzado algo más sobrio y quizá más importante: construir las condiciones para averiguarlo.

Fuentes informativas

Las referencias [1]-[7] corresponden a las citas insertadas en el artículo. Todos los enlaces fueron verificados al preparar esta versión.

• [1] Fujitsu - "Fujitsu to explore physical AI development and implementation across industries with FANUC, Yaskawa Electric, and Kawasaki Heavy Industries integrating NVIDIA technology"
• [2] Associated Press - "Fujitsu and leading Japanese robotics companies to use Nvidia technology in 'physical AI'"
• [3] Statistics Bureau of Japan - "Preliminary Counts of the 2025 Population Census of Japan"
• [4] OECD - "OECD Employment Outlook 2026: Japan"
• [5] International Federation of Robotics - "Robot Density Surges in Europe, Asia, and Americas"
• [6] International Labour Organization - "AI and digitalization are transforming safety and health at work"
• [7] CEPAL - "Panorama de las Políticas de Desarrollo Productivo en América Latina y el Caribe, 2025: ¿cómo salir de la trampa de baja capacidad para crecer?"

Durante años, utilizar inteligencia artificial significó abrir una aplicación, formular una pregunta y esperar una respuesta. La interacción tenía un principio y un final visibles: el usuario iniciaba la consulta, recibía un resultado y decidía qué hacer después. Ese modelo no está desapareciendo, pero empieza a ser acompañado por algo distinto.

El 7 de julio de 2026, Anthropic anunció la expansión de Claude Cowork a la web y los dispositivos móviles. La novedad más importante no fue el cambio de pantalla, sino la incorporación de sesiones remotas que pueden continuar trabajando en segundo plano cuando la computadora se cierra. Las tareas programadas también pueden ejecutarse sin que un dispositivo permanezca conectado, mientras el usuario puede revisar avances, responder preguntas o recibir notificaciones desde el teléfono [1].

La documentación técnica de Anthropic precisa que estas sesiones se ejecutan en infraestructura remota, se conservan asociadas a la cuenta del usuario y pueden retomarse desde distintos dispositivos. La persistencia, sin embargo, no equivale a acceso ilimitado: cuando una tarea necesita archivos locales, el navegador o aplicaciones instaladas en una computadora, ese acceso continúa dependiendo de la aplicación de escritorio, de los permisos concedidos y de que el dispositivo se encuentre disponible [2].

Dos días después, OpenAI presentó GPT-5.6 y profundizó la misma dirección mediante ChatGPT Work, una modalidad diseñada para reunir contexto desde aplicaciones y archivos conectados, coordinar herramientas y producir resultados profesionales como documentos, hojas de cálculo, presentaciones e interfaces. OpenAI no describe esta función exactamente en los mismos términos de persistencia remota utilizados por Anthropic, pero su lanzamiento confirma una competencia más amplia: las principales plataformas de IA ya no quieren limitarse a responder preguntas; buscan convertirse en espacios donde se asigna, coordina y completa trabajo [3].

De pedir una respuesta a encargar un resultado

La diferencia puede parecer pequeña, pero modifica profundamente la relación entre persona y software.

Pedir a una IA que resuma un documento sigue siendo una interacción puntual. Encargarle que revise una carpeta, consulte correos y calendarios, compare información, prepare una presentación, programe una actualización semanal y solicite aprobación cuando encuentre una decisión ambigua es otra clase de relación. Ya no se trata únicamente de generar contenido, sino de sostener un proceso.

La persistencia introduce el tiempo como una nueva dimensión de la inteligencia artificial. El sistema puede recibir una meta, mantener contexto, recorrer varias etapas, utilizar herramientas, conservar avances y regresar al usuario cuando necesita una decisión. La interfaz deja de ser el lugar donde ocurre todo el trabajo y se convierte en el punto desde el cual se delega y supervisa.

Conviene evitar la antropomorfización. Una IA persistente no posee conciencia, responsabilidad moral ni comprensión humana del trabajo. Tampoco se convierte automáticamente en un empleado competente. Sigue siendo un sistema probabilístico que opera dentro de herramientas, instrucciones y permisos definidos, y que puede cometer errores, interpretar mal una intención o completar correctamente una tarea que nunca debió recibir.

Lo nuevo no es una mente independiente, sino una capacidad operativa más continua.

La automatización llega al trabajo que mantiene unida a una organización

La importancia del cambio se entiende mejor al observar qué tareas están recibiendo estos sistemas. Anthropic analizó una muestra de 1,2 millones de sesiones anonimizadas de Claude Cowork realizadas entre el 11 y el 31 de mayo de 2026. Según la clasificación de la propia compañía, el 33,4% correspondió a procesos y operaciones de negocio, como reunir actualizaciones dispersas, preparar listas de incorporación o conciliar hojas de cálculo. Otro 16,4% se concentró en creación de contenidos y comunicaciones, incluidas propuestas, presentaciones y borradores [4].

Los datos proceden del proveedor del producto, utilizan clasificación automatizada y no representan por sí solos a todo el mercado laboral. Aun con esas limitaciones, muestran un patrón significativo: los agentes empiezan a utilizarse no solo en programación, sino en el trabajo conectivo que mantiene a las organizaciones en funcionamiento.

Son tareas que rara vez ocupan el centro de una descripción laboral, pero consumen una parte considerable de la jornada: ordenar información, actualizar documentos, preparar reuniones, convertir conversaciones en informes, trasladar datos entre sistemas y coordinar aquello que ocurre alrededor de las decisiones importantes.

Una investigación reciente basada en datos de uso de Codex ofrece otra señal de este desplazamiento. El estudio, publicado como preprint y centrado en una herramienta específica de OpenAI, señala que el número de usuarios activos creció más de cinco veces durante el primer semestre de 2026. Más del 10% de los usuarios gestionaba tres o más agentes concurrentes en algún momento de la semana, mientras aumentaba con rapidez la proporción de solicitudes asociadas a trabajos que requerirían más de ocho horas a un profesional experimentado [5].

Estas cifras no demuestran que los agentes ya produzcan valor equivalente a todas las horas humanas estimadas ni que estén preparados para sustituir ocupaciones completas. Sí sugieren que las personas están comenzando a confiarles encargos más extensos, simultáneos y complejos.

El trabajo humano no desaparece: cambia de lugar

La promesa comercial es sencilla: la IA se ocupa del trabajo mientras la persona continúa con su día. La realidad organizacional es más exigente.

Cuando un agente asume más pasos de un proceso, el trabajo humano no necesariamente desaparece. Una parte se desplaza hacia actividades menos visibles: formular correctamente el objetivo, seleccionar las fuentes, configurar accesos, anticipar excepciones, determinar qué puede ejecutarse sin permiso, revisar resultados y responder por las consecuencias.

Delegar bien es una competencia distinta de pedir bien.

Un estudio exploratorio basado en entrevistas con 17 desarrolladores experimentados identificó cuatro formas de supervisión que ya aparecen en el trabajo con agentes: control previo, planificación conjunta, monitoreo durante la ejecución y revisión posterior. Los autores advierten que la supervisión no consiste únicamente en corregir errores al final; también exige diseñar límites y criterios antes de que el sistema empiece a actuar [6].

Esto modifica el significado de la productividad. Una tarea terminada más rápido no es necesariamente una tarea bien resuelta. La organización debe considerar cuánto tiempo ahorró, pero también cuánto esfuerzo necesitó para verificarla, qué riesgo introdujo, qué información expuso y qué consecuencias tendría un error silencioso.

La verdadera ganancia no consiste en producir más actividad, sino en obtener mejores resultados con una supervisión proporcional.

La confianza se convierte en una arquitectura de permisos

La tensión central de los agentes persistentes puede expresarse con claridad: cuanto más útiles son, más acceso necesitan; cuanto más acceso reciben, mayores pueden ser las consecuencias de un error.

Un sistema que solo redacta texto dentro de una ventana tiene un alcance limitado. Uno que consulta correos, revisa documentos, modifica archivos, utiliza el navegador, ejecuta código o interactúa con aplicaciones puede producir mucho más valor, pero también puede propagar una interpretación incorrecta a través de varios sistemas.

La propia documentación de seguridad de Anthropic distingue entre herramientas de lectura y herramientas de escritura. Las primeras permiten consultar información; las segundas pueden crear, modificar, enviar o eliminar elementos dentro del entorno del usuario. La compañía reconoce que las acciones de escritura presentan más riesgo, recomienda supervisión humana en escenarios sensibles y advierte sobre ataques de inyección de instrucciones ocultas en correos, sitios web o documentos que el agente pudiera consultar [7].

La guía también recomienda evitar que las tareas programadas operen con información sensible o ejecuten acciones difíciles de revertir, como enviar mensajes, realizar compras o modificar recursos importantes. Además, establece un punto que ninguna metáfora sobre “trabajadores digitales” debería ocultar: el usuario continúa siendo responsable por las acciones ejecutadas en su nombre [7].

Esta responsabilidad no puede resolverse con un botón de aceptación. Las empresas necesitarán definir qué agentes existen, a qué datos acceden, qué herramientas utilizan, quién autorizó sus permisos, qué acciones requieren aprobación y cómo se reconstruye lo ocurrido cuando un resultado es incorrecto.

No basta con saber que una IA hizo algo. Será necesario saber bajo qué autoridad lo hizo.

Delegar por niveles, no por entusiasmo

La adopción responsable debería comenzar por tareas reversibles, observables y de bajo impacto. Recopilar información pública, organizar documentos no sensibles, preparar un borrador interno o elaborar un resumen para revisión son puntos de partida razonables. En cambio, enviar comunicaciones externas, modificar datos de clientes, aprobar pagos, publicar contenido o adoptar decisiones laborales exige una supervisión mucho más estricta.

También será necesario separar con claridad el permiso para leer del permiso para actuar. Que un agente pueda consultar una bandeja de entrada no significa que deba enviar correos; que pueda analizar un reporte financiero no significa que deba modificarlo; que pueda preparar una propuesta no significa que deba compartirla con un cliente.

La autonomía debería crecer solo cuando exista evidencia de buen desempeño dentro de una tarea delimitada. No debería concederse porque una demostración resultó impresionante ni porque la competencia ya adoptó una herramienta semejante.

El criterio decisivo es la consecuencia del error. Cuanto más difícil sea revertir una acción, más sensible sea la información y mayor sea su impacto sobre otras personas, más necesaria será la intervención humana.

Una oportunidad concreta para América Latina

Para muchas organizaciones latinoamericanas, los agentes persistentes pueden ofrecer una ventaja especialmente atractiva. Empresas pequeñas, profesionales independientes, medios, estudios jurídicos, consultoras, instituciones educativas y equipos administrativos podrían asumir tareas que antes exigían más tiempo, personal o especialización.

La oportunidad no consiste solamente en reducir costos. Un equipo pequeño puede investigar con mayor amplitud, documentar mejor sus procesos, responder con más rapidez y convertir información fragmentada en conocimiento utilizable. La IA puede ampliar capacidad donde existen recursos limitados.

Esa ventaja, sin embargo, dependerá menos de adquirir licencias que de construir disciplina. Automatizar un proceso desordenado no lo convierte en un buen proceso; puede hacer que el desorden avance con mayor velocidad. Conectar un agente a información sensible sin una política de acceso tampoco representa transformación digital, sino una ampliación de la superficie de riesgo.

América Latina necesita desarrollar una alfabetización agéntica que vaya más allá de aprender a escribir instrucciones. Profesionales y organizaciones deberán comprender cómo dividir tareas, verificar fuentes, proteger datos, establecer límites, medir resultados y conservar responsabilidad sobre lo delegado.

La región no debería limitarse a importar agentes. Debe aprender a gobernarlos.

Lo que esta noticia no significa

La continuidad en segundo plano no demuestra que la inteligencia artificial haya alcanzado autonomía general ni que pueda reemplazar el juicio profesional. Estos productos todavía se encuentran en evolución, algunas funciones se distribuyen en fase beta y su desempeño depende del tipo de tarea, la calidad del contexto y los permisos disponibles.

Tampoco debería asumirse que una tarea larga es necesariamente una tarea compleja o que un resultado visualmente terminado está listo para utilizarse. Un documento bien presentado puede contener una premisa incorrecta; una hoja de cálculo completa puede arrastrar un error; una investigación extensa puede apoyarse en fuentes débiles.

La IA persistente amplía el alcance de la automatización, pero no elimina sus límites. En algunos casos, incluso puede hacerlos menos visibles, porque el usuario deja de observar cada paso y recibe únicamente el resultado final.

Por eso, la supervisión no debe medirse por cuánto tiempo permanecemos mirando una pantalla. Debe medirse por la calidad de los controles, la claridad de los límites y la capacidad de verificar aquello que realmente importa.

La nueva responsabilidad de trabajar con máquinas que no esperan

La inteligencia artificial está pasando de ser una herramienta que responde cuando la invocamos a convertirse en un sistema que puede mantener tareas activas, coordinar procesos y regresar cuando necesita una decisión.

Ese cambio puede liberar tiempo, ampliar capacidades y reducir una parte considerable del trabajo administrativo. También puede producir dependencia, errores acumulativos y una falsa sensación de control cuando la velocidad supera a la verificación.

La pregunta relevante ya no es solamente qué puede hacer la inteligencia artificial mientras no estamos presentes. La pregunta es qué tipo de presencia humana será necesaria cuando el trabajo continúe sin nosotros.

Las organizaciones más preparadas no serán necesariamente las que concedan mayor autonomía, sino las que puedan explicar con claridad qué delegaron, qué límites establecieron, qué evidencia revisaron y quién conserva la responsabilidad final.

La IA persistente puede multiplicar nuestra capacidad. El desafío será conservar un juicio igualmente persistente.

Fuentes informativas

• [1] Anthropic — “Claude Cowork is coming to mobile and web”
• [2] Claude Help Center — “Use Claude Cowork on web, desktop, and mobile”
• [3] OpenAI — “GPT-5.6: Frontier intelligence that scales with your ambition”
• [4] Anthropic — “How people are using Claude Cowork”
• [5] Johnston, Holtz, Richmond, Ong, Tambe y Chatterji — “The Shift to Agentic AI: Evidence from Codex”
• [6] Dhanorkar, Passi y Vorvoreanu — “Human oversight of agentic systems in practice”
• [7] Claude Help Center — “Use Claude Cowork safely”