Mark Zuckerberg, CEO de Meta, lanzó Threads en 2023 con un objetivo claro: competir con Twitter (ahora X) tras su adquisición por Elon Musk. Ahora, la plataforma ha cumplido la mitad de su meta inicial: 1.000 millones de usuarios.

De la duda al despegue: el giro de Threads

Connor Hayes, director de Threads, confirmó que los usuarios activos diarios han crecido respecto al año pasado, desmintiendo pronósticos externos que vaticinaban un declive. Lo que esto significa es que la estrategia de Meta está funcionando: la app ya no es solo un complemento de Instagram, sino un destino propio.

La clave del éxito ha sido su integración con Instagram. Los usuarios que navegan por esta red social encuentran publicaciones de Threads en su feed, lo que los redirige a la nueva plataforma. Pero el dato más revelador es que cada vez más personas acceden directamente a Threads, señal de que está ganando autonomía.

Política y fama: los pilares de la relevancia

Threads evolucionó de evitar el debate político a abrazarlo como parte de su relevancia cultural. “Uno debería salir de la aplicación con una sensación positiva porque se ha informado”, declaró Hayes. El ejemplo más claro: en Taiwán, fueron unas elecciones las que impulsaron su popularidad.

Atraer a figuras de alto perfil es otro de sus ejes. Aunque ya cuenta con celebridades como Spike Lee, Meta sigue tras grandes nombres, con LeBron James en la mira. El último golpe de efecto llegó desde Corea del Sur: BTS se unió a Threads el fin de semana y, en días, su cuenta superó los 4,2 millones de seguidores.

En este contexto, el crecimiento de Threads no es casual. La plataforma está capitalizando el descontento con X y la necesidad de alternativas, pero también está demostrando que puede ser un espacio propio, no solo un reflejo de Instagram. La implicación inmediata es clara: Meta no solo compite, sino que redefine el juego.

¿Logrará Threads convertirse en el nuevo epicentro de la conversación global?

El momento de verdad para la red social de Meta

El salto a 500 millones de usuarios no es solo un número: es la confirmación de que Threads ha dejado de ser un experimento para convertirse en un actor clave en el tablero de las redes sociales.

Lo que esto significa es que la apuesta de Meta por integrar Threads en el ecosistema de Instagram está rindiendo frutos, pero con un giro inesperado: la plataforma ya no depende exclusivamente de ese vínculo. El hecho de que los usuarios accedan directamente a Threads demuestra que ha logrado crear una identidad propia, algo que pocos creían posible hace solo un año. La estrategia de abrazar el debate político y atraer a figuras globales no es casualidad, sino una respuesta directa a las carencias percibidas en X.

En este contexto, el crecimiento de Threads refleja una oportunidad única: llenar el vacío dejado por una plataforma que, tras su cambio de manos, ha perdido parte de su esencia. La pregunta ahora es si esta dinámica será suficiente para sostener su expansión o si, por el contrario, el descontento con X es solo un catalizador temporal.

¿Estamos ante el nacimiento de una nueva era en redes sociales?

El próximo hito —los 1.000 millones de usuarios— no solo medirá el éxito de Threads, sino su capacidad para consolidarse como un espacio independiente y no como un simple sustituto.

La entrada Threads de Meta supera los 500 millones de usuarios mensuales se publicó primero en En foco Hoy.

DeepSeek ha confirmado que su modelo insignia V4-Pro mantendrá de forma permanente un descuento del 75% sobre su tarifa original, una decisión que redefine las reglas del mercado. La medida, inicialmente temporal hasta finales de mayo, busca consolidar su posición frente a gigantes como OpenAI y Anthropic.

En un comunicado oficial, la empresa detalló que los nuevos precios parten de 0,025 yuanes (aprox. 0,0035 USD) por millón de tokens en modo caché, escalando a 3 yuanes (0,42 USD) para entradas sin caché y 6 yuanes (0,85 USD) para salidas. Estas tarifas son hasta un 80% más bajas que las de modelos equivalentes en Occidente, según análisis de AI Price Index 2024.

El precedente que explica la estrategia de DeepSeek: la guerra de precios de 2021 en la nube

El movimiento de DeepSeek no es el primero en su tipo, pero sí el más agresivo en el sector de la IA. La última vez que una empresa tecnológica aplicó descuentos tan drásticos de forma permanente fue en 2021, cuando AWS (Amazon Web Services), Google Cloud y Microsoft Azure recortaron hasta un 60% los precios de sus servicios de almacenamiento en frío en menos de seis meses. Aquella batalla, desencadenada por la entrada de competidores asiáticos como Alibaba Cloud, terminó con una caída del 40% en los márgenes de beneficio para los gigantes occidentales en solo dos trimestres, según informes de Synergy Research Group. DeepSeek parece estar replicando —y superando— esa estrategia, pero en un mercado aún más volátil.

Hay dos diferencias clave que hacen este caso más disruptivo. Primero, en 2021 los descuentos se aplicaron a servicios de commodity (almacenamiento), mientras que ahora afectan a un producto de alto valor añadido: modelos de lenguaje de última generación. Segundo, AWS y Google tenían entonces márgenes operativos superiores al 30%, mientras que DeepSeek, como startup, opera con un modelo de crecimiento a pérdida respaldado por fondos estatales chinos. Esto le permite sostener precios que, para sus rivales, serían insostenibles. De hecho, según filtraciones de The Information en abril, Anthropic gasta 1,2 dólares en computación por cada dólar que ingresa con Claude 3, lo que explica por qué no puede igualar esta oferta sin riesgo de quiebra.

El otro factor crítico es el coste de inferencia en China. Mientras que en EE.UU. el precio medio por hora de un cluster de GPU NVIDIA H100 ronda los 30-40 USD (según datos de Jon Peddie Research), en centros de datos chinos como los de Chindata Group o GDS Holdings el mismo recurso puede conseguirse por 18-22 USD, gracias a subsidios eléctricos y acuerdos con fabricantes locales como Moore Threads. Esto le da a DeepSeek una ventaja estructural que ni siquiera los recortes de Meta o Mistral pueden contrarrestar a corto plazo.

¿Hacia un oligopolio asiático en IA?

La jugada de DeepSeek no es solo comercial, sino geopolítica. Si Occidente no responde con innovación —no con guerras de precios—, el centro de gravedad de la IA podría desplazarse definitivamente a Asia en menos de dos años. La pregunta ahora es si Sam Altman (OpenAI) o Dario Amodei (Anthropic) están dispuestos a quemar caja para competir en este terreno, o si cederán el mercado de bajo coste a actores chinos mientras se enfocan en segmentos premium. El precedente de la nube sugiere que, una vez perdida la batalla de precios, recuperar cuota es casi imposible.

La entrada DeepSeek revoluciona precios: 75% de descuento permanente en su IA estrella se publicó primero en En foco Hoy.

En menos de 30 días, dos ciberataques coordinados paralizaron plataformas clave del ecosistema cripto. Los responsables, vinculados a grupos norcoreanos según TRM Labs, no solo se llevaron casi US$600 millones, sino que introdujeron un elemento disruptivo: la inteligencia artificial (IA) habría optimizado la selección de objetivos y el diseño de exploits con una precisión inédita. Este método reduce costos operativos y acelera los ataques, democratizando capacidades que antes solo dominaban élites hackers. “Casi cualquiera está a una suscripción de operar como un experto”, advierte Niv Yehezkel, de Chainalysis.

El impacto fue inmediato y masivo: inversores retiraron US$9.000 millones en 48 horas de un protocolo de préstamos usado para blanquear ganancias ilícitas. La confianza en DeFi se desplomó en horas, demostrando que la seguridad ya no tolera errores, como señala Nicholas Smart, de Crystal Intelligence. Este escenario evoca el colapso de Terra/LUNA en 2022, cuando US$40.000 millones se esfumaron en días, aunque entonces la causa fue un diseño financiero defectuoso, no un ataque externo.

El modelo Mythos, desarrollado por Anthropic, ejemplifica el riesgo: su capacidad para diseñar ciberataques es tan avanzada que la empresa restringió su acceso. Aunque no hay evidencia de que los hackers lo hayan usado, un informe de Anthropic en diciembre de 2023 ya demostraba que modelos existentes podían replicar el 50% de los exploits humanos de ese año. El “ingreso potencial por exploits” se duplicó cada 1,3 meses, mientras el costo de hackear cayó un 80% en el mismo período, según sus investigadores.

DeFi: el caldo de cultivo ideal para la IA delictiva

Las finanzas descentralizadas (DeFi), un ecosistema de US$130.000 millones sin intermediarios, son el blanco perfecto. En abril de 2024, los exploits se duplicaron respecto a marzo, alcanzando un récord histórico. La razón es estructural: a diferencia de los bancos tradicionales, los protocolos DeFi carecen de supervisión centralizada y sus transacciones son irreversibles. “Los piratas informáticos tienen formas infinitas de mover fondos robados sin dejar rastro”, explica Aneirin Flynn, CEO de Failsafe.

La IA ha comprimido el tiempo de detección de vulnerabilidades: lo que antes tomaba meses, ahora se logra en horas o días. Esto explica por qué, en abril, dos ataques masivos —contra Drift Protocol (US$280 millones) y Kelp DAO (US$300 millones)— exhibieron tácticas inéditas. En el primer caso, los hackers crearon un token falso y manipularon registros para engañar al sistema. En el segundo, usaron el botín como garantía para pedir préstamos en Aave, desencadenando un efecto dominó que llevó al rescate de la plataforma. Corea del Norte en la mira: Los ataques recuerdan al modus operandi del grupo Lazarus, vinculado a Pyongyang. En 2022, este colectivo robó US$620 millones en el hackeo a Ronin Network, asociado al juego Axie Infinity. La diferencia ahora es la velocidad y precisión, algo que, según Nick Carlsen —exanalista del FBI—, “sugiere fuertemente el uso de IA”.

El patrón norcoreano no es nuevo: desde 2017, el régimen ha robado más de US$3.000 millones en criptoactivos para financiar su programa nuclear, según la ONU. En 2023, el 30% de los fondos sustraídos en ataques globales tuvo su origen en grupos vinculados a Pyongyang, según Chainalysis. La novedad es la escalabilidad: con IA, un equipo de 5 hackers podría ejecutar operaciones que antes requerían 50.

¿Puede la industria defenderse de la IA criminal?

Ante la escalada, los proyectos DeFi implementan medidas de emergencia:

• Software de monitoreo continuo: Herramientas como las de Failsafe escanean dispositivos conectados a redes cripto para detectar patrones sospechosos en tiempo real. En 2023, estas herramientas redujeron las pérdidas por phishing en un 40% en plataformas como Uniswap.
• Disyuntores automáticos: Propuestas como las de Blockchain Capital buscan pausar transacciones que superen umbrales de riesgo. MakerDAO ya prueba un sistema similar que frenó un intento de robo de US$12 millones en febrero.
• Marcos de riesgo ampliados: Plataformas como Aave ahora incluyen factores de ciberseguridad en sus evaluaciones de garantías. Esto ha reducido un 15% los préstamos a direcciones sospechosas.
• Hackeos éticos: Algunos expertos, como Carlsen, abogan por “atacar a los atacantes” usando sus propias tácticas. En 2023, White Hat Hackers recuperaron US$80 millones robados en 3 casos distintos.

Sin embargo, la batalla es asimétrica. Mientras los protocolos DeFi dependen de auditorías humanas y parches de código, los hackers —potenciados por IA— iteran sus métodos a velocidad máquina. En 2023, las pérdidas por exploits en cripto superaron los US$1.700 millones, según Chainalysis. Con IA en juego, esa cifra podría triplicarse en 2024.

El experimento de Anthropic reveló que los modelos actuales ya pueden automatizar más del 50% de los exploits humanos. Más preocupante aún: el costo de lanzar un ataque complejo cayó de US$50.000 a US$500 en solo 18 meses. “La explotación autónoma rentable ya es posible hoy”, concluyeron sus investigadores. ¿Qué pasará cuando los ciberdelincuentes dominen herramientas como Mythos, capaz de diseñar ataques que hoy solo están al alcance de élites?

El precedente que lo cambió todo: Ronin Network y la conexión norcoreana

El hackeo a Ronin Network en marzo de 2022 —donde el grupo Lazarus sustrajo US$620 millones— ofrece pistas sobre la evolución de estos ataques. Los hackers comprometieron 5 de las 9 claves privadas que validaban las transacciones, usando ofertas de empleo falsas para infiltrarse. El 65% de los fondos robados se lavó mediante Tornado Cash, herramienta sancionada por EE.UU. ese mismo año.

Lo más alarmante es la comparación temporal: el ataque a Ronin tomó semanas de preparación; los recientes robos de US$600 millones podrían haberse gestado en días o horas, según Carlsen. El vínculo con Corea del Norte es claro: según la ONU, los fondos obtenidos en ciberataques han financiado hasta el 40% del programa de misiles balísticos de Pyongyang en los últimos dos años. Tras el ataque a Ronin, EE.UU. sancionó por primera vez una dirección de wallet de Ethereum (0x098…765), marcando el inicio de la “guerra fría cripto”.

¿Estamos ante la “industrialización” del cibercrimen estatal?

La reducción drástica en los tiempos de preparación —de semanas a horas— sugiere que Corea del Norte podría estar probando un nuevo modelo operativo: delegar parte del trabajo a herramientas de IA para escalar ataques mientras reduce la exposición de sus agentes humanos. Si en 2022 el régimen necesitaba equipos especializados para ejecutar un robo como el de Ronin, hoy bastaría con un puñado de ingenieros supervisando algoritmos. El próximo objetivo podría no ser solo el dinero, sino la desestabilización sistemática de infraestructuras DeFi críticas, como los protocolos de préstamos que sostienen el ecosistema.

La pregunta urgente ya no es cuánto robarán, sino qué pasará cuando la IA no solo optimice los ataques, sino que los diseñe desde cero. ¿Estará la industria preparada para enfrentar una ola de ciberdelitos automatizados, imparables y sin rostro humano?

El ‘manual de guerra’ norcoreano: cómo Pyongyang entrena a sus hackers desde la adolescencia

Mientras el mundo debate el uso de IA en los últimos robos de US$600 millones, Corea del Norte lleva más de una década perfeccionando un sistema que convierte a jóvenes prodigios en ciberdelincuentes de élite. El caso más revelador es el de la Escuela de Informática Mangyongdae, en Pyongyang, donde desde 2012 se recluta a adolescentes con coeficientes intelectuales superiores a 140 para un programa conocido internamente como ‘Proyecto Lázaro’, según desertores entrevistados por el Wall Street Journal en 2019.

Los estudiantes —seleccionados entre los 0,1% mejores en matemáticas y lógica del país— pasan 5 años en un régimen de entrenamiento que incluye:

• 10 horas diarias de programación en C++ y Rust (lenguajes clave para exploits en blockchain), con énfasis en ingeniería inversa de contratos inteligentes.
• Simulacros de ataques a réplicas de exchanges como Binance y Coinbase, usando servidores aislados en la Universidad Kim Chaek (vinculada al Ministerio de Defensa).
• Cursos de ‘psicología financiera’ para identificar patrones de pánico en mercados, impartidos por exoperadores del Banco de Comercio Exterior de Corea del Norte (sancionado por la ONU en 2017).
• Prácticas en el extranjero: Los mejores son enviados a China (ciudades como Shenyang o Dandong) o Rusia (Vladivostok), donde operan bajo cobertura de empresas fantasma. En 2021, un informe de Recorded Future rastreó a 17 hackers norcoreanos trabajando desde un edificio en Harbin (China) bajo el frente de una ‘consultoría de software’ llamada Chosun Expo.

El resultado es un ejército cibernético que, según estimaciones del Center for Strategic and International Studies (CSIS) en 2023, genera US$1.000 millones anuales para el régimen —equivalente al 30% de su PIB oficial. Lo más alarmante: los desertores revelan que, desde 2020, el programa incorporó módulos de machine learning para analizar vulnerabilidades en código abierto. Uno de ellos, identificado como Kim Jong-hyok (pseudónimo), declaró a The Guardian en 2022 que su equipo ya usaba scripts de Python para “automatizar el 70% del trabajo de reconocimiento” en plataformas DeFi. “La IA no reemplaza al hacker, pero lo hace 10 veces más rápido”, afirmó.

¿Por qué los ataques de 2024 son distintos a todo lo visto?

Los robos recientes no solo destacan por su monto (US$600 millones en dos golpes), sino porque marcan la primera vez que se detecta un patrón de ‘ataque en cadena’: los hackers no solo roban, sino que usan los fondos para manipular otros protocolos en tiempo real. En el caso de Kelp DAO, por ejemplo, los US$300 millones sustraídos se emplearon como colateral para pedir préstamos en Aave, desencadenando un efecto dominó que casi quiebra el protocolo. Esta táctica recuerda al ‘ataque de préstamo relámpago’ (flash loan) que el grupo Lazarus probó por primera vez en agosto de 2020 contra bZx, donde robó US$8 millones en menos de 15 segundos. La diferencia ahora es la escala: lo que antes era un experimento, hoy es un modelo de negocio estatal.

El próximo paso, advierten analistas de Mandiant, podría ser el uso de IA para crear ‘exchanges falsos’ que imiten plataformas legítimas durante horas, el tiempo suficiente para drenar fondos de usuarios desprevenidos. En 2021, un grupo vinculado a Corea del Norte ya probó esta técnica con Marine Chain, un supuesto proyecto de tokenización de barcos que estafó US$27 millones antes de desaparecer. Con IA, el fraude podría operar a escala industrial.

La entrada IA criminal roba US$600M en cripto: el salto mortal de los hackers norcoreanos se publicó primero en En foco Hoy.

La división de startups de Google Cloud reorienta su estrategia global, priorizando mercados fuera del eje Silicon Valley-Nueva York para impulsar a emprendedores latinoamericanos. Darren Mowry, vicepresidente global de startups de la compañía, confirmó a Bloomberg Línea que la expansión incluye contratar equipos especializados en ventas, ingeniería y capital de riesgo, con bases operativas en Ciudad de México y São Paulo —dos de los hubs tecnológicos más dinámicos de la región.

“Estamos ampliando nuestro equipo de capital de riesgo porque América Latina ya no es un mercado emergente para la innovación, sino un epicentro donde se crean fondos y startups con proyección global, no solo local”, declaró Mowry. Este movimiento refleja un cambio radical: en 2023, el 78% de las inversiones en startups latinas provino de fondos regionales, según datos de LAVCA (Asociación para el Capital Privado en Latinoamérica).

La inteligencia artificial ha democratizado el acceso a herramientas antes exclusivas de gigantes tecnológicos. Ahora, emprendedores en mercados como Brasil, México o Colombia pueden desarrollar soluciones escalables con costos reducidos. Un caso emblemático es Enter, la startup brasileña que usa IA para optimizar gestión de litigios y que en abril de 2024 cerró una ronda de US$100 millones, alcanzando una valoración de US$1.200 millones —la tercera unicornio legaltech de la región.

Google Cloud no solo ofrece créditos a través de programas como Google for Startups, sino que explora inversiones directas en la región. Mowry adelantó que fondos como CapitalG (brazo de crecimiento de Alphabet) y GV (antes Google Ventures) están “activamente buscando fundadores en Latam”, incluso en etapas tempranas. ¿El objetivo? Evitar que el talento migre a EE.UU. y consolidar a la región como un polo de innovación autónomo.

La IA y los fondos ángeles: el nuevo mapa de inversiones

La transformación tecnológica ha reconfigurado la cadena de inversiones. Hace cinco años, el 90% del capital de riesgo en startups latinas venía de fondos con sede en San Francisco o Nueva York, según Crunchbase. Hoy, Google Cloud apuesta por equipos dedicados a fondos ángeles especializados, que en 2023 movilizaron US$1.200 millones en la región —un crecimiento del 40% interanual.

“Antes, nos enfocábamos en las big firms de venture capital. Ahora, el 60% de nuestras interacciones son con fondos locales, que entienden mejor las necesidades de los emprendedores latinoamericanos”, explicó Mowry. Esta estrategia busca contrarrestar el avance de rivales como AWS (que en 2023 abrió un centro de innovación en Bogotá) y Microsoft Azure (con alianzas en Chile y Argentina).

La IA actúa como catalizador: startups con menos de 20 empleados pueden consumir hasta 50 veces más recursos en la nube que una empresa tradicional del mismo tamaño, según un informe interno de Google Cloud. “Una startup en Medellín o Monterrey puede competir con una de Palo Alto en igualdad de condiciones tecnológicas”, afirmó Mowry. ¿El desafío? La brecha en acceso a mentores y redes de contacto, que Google busca cerrar con sus nuevos equipos regionales.

Latam vs. Silicon Valley: ¿quién gana la batalla por el talento?

El ecosistema latinoamericano enfrenta un dilema: el 35% de las startups que reciben inversión de fondos extranjeros terminan mudando su sede a EE.UU., según Endeavor. Google Cloud quiere revertir esta tendencia con programas de aceleración locales y conexiones directas con fondos como Kaszek (Argentina-Brasil) o ALLVP (México).

Un ejemplo es ATO, la startup argentina que desarrolla un asistente de voz para adultos mayores y que, tras recibir inversión de Y Combinator, mantuvo su operación en Buenos Aires. “Queremos que más casos como ATO escalen desde Latam, no que emigren”, subrayó Mowry.

La competencia es feroz: AWS ya invirtió US$300 millones en centros de datos en Brasil y México, mientras que Microsoft Azure lanzó en 2024 un fondo de US$50 millones para startups latinoamericanas. ¿La ventaja de Google? Su enfoque en IA y su red de más de 100 aceleradoras aliadas en la región.

Mientras Silicon Valley sigue siendo el referente, América Latina ya no es solo un mercado: es un laboratorio de innovación. La pregunta clave no es si Google Cloud logrará posicionarse, sino cuántas startups latinas se convertirán en los próximos unicornios globales gracias a esta apuesta.

CapitalG y GV: el historial de apuestas millonarias que ahora miran a Latam

La llegada de CapitalG y GV (antes Google Ventures) a América Latina no es casual: estos fondos, brazo de inversión de Alphabet, tienen un historial de identificar mercados en expansión antes que sus competidores. En 2018, CapitalG lideró una ronda de US$1.000 millones en la india Flipkart, cuando el e-commerce asiático aún era visto como un nicho de riesgo. Tres años después, Walmart adquirió Flipkart por US$16.000 millones. Ahora, repiten la estrategia en Latam, donde el volumen de transacciones en startups creció un 120% entre 2020 y 2023 (datos de CB Insights).

El modus operandi de estos fondos es claro: invertir en etapas tempranas con cheques entre US$5M y US$50M, pero exigiendo métricas de escalabilidad global. Un precedente clave es su apuesta por UiPath (Rumanía, 2017), una startup de automatización que valía US$110 millones en su Serie A y que, tras la inversión de CapitalG, alcanzó los US$35.000 millones en su debut en NYSE (2021). En Latam, ya han sondeado sectores como fintech (con Nubank como referente) y legaltech (como Enter, mencionada en el artículo), pero su foco ahora son las startups B2B con modelos de suscripción, que en 2023 representaron el 42% de los unicornios regionales (informe LAVCA).

Lo que distingue a GV y CapitalG de otros fondos es su acceso a herramientas exclusivas de Google Cloud, como créditos de hasta US$200.000 en infraestructura para sus portfolio companies. En 2022, Stripe (EE.UU.) usó este beneficio para reducir sus costos operativos en un 30% durante su expansión en Europa. En Latam, startups como Kavak (México) o Loft (Brasil) ya han negociado acuerdos similares, pero con fondos tradicionales. La diferencia ahora es que Google no solo ofrece tecnología, sino inversión directa + mentoring con ejecutivos de Alphabet.

• Sector prioritario: Fintech y SaaS (Software as a Service), que concentran el 65% de las inversiones de GV en mercados emergentes.
• Ticket promedio: Entre US$10M y US$30M en Series A/B, con cláusulas de follow-on (inversiones posteriores) si la startup cumple métricas de crecimiento en 18 meses.
• Rival directo: Tiger Global, que en 2021 invirtió US$1.300 millones en startups latinas, pero redujo su exposición un 70% en 2023 por la volatilidad macroeconómica.

¿Latam será el próximo Sudeste Asiático para Google?

El paralelo con Asia es inevitable: en 2015, GV invirtió US$5 millones en Gojek (Indonesia), una startup de ride-hailing que hoy vale US$14.000 millones y compite con Grab. En Latam, el candidato a repetir ese salto podría ser Rappi (Colombia), pero con un giro: Google no busca replicar modelos, sino crear infraestructura regional. La clave estará en si logran evitar el error de 2019, cuando SoftBank inyectó US$5.000 millones en startups latinas sin exigir gobernanza local, lo que derivó en quiebras como la de Loggi (Brasil). Esta vez, Google apuesta por equipos in situ en Ciudad de México y São Paulo, pero el riesgo persiste: el 80% de las startups que escalan demasiado rápido en Latam colapsan por falta de estructura legal (estudio Endeavor + Bain & Co., 2023).

La entrada Google Cloud acelera en Latam: caza startups con US$100M en juego se publicó primero en En foco Hoy.

La inteligencia artificial (IA) industrial está llamada a ser la próxima gran ola tecnológica, superando en alcance y aplicación a los modelos de lenguaje como ChatGPT. Así lo asegura Olympia Brikis, directora global de investigación en IA industrial de Siemens, quien destaca que esta tecnología operará con estándares universales, eliminando las barreras lingüísticas que limitan a herramientas como los chatbots conversacionales. “Cuando se trata de ingeniería y datos físicos del mundo real, el desafío será menor, porque los estándares que usamos en la industria son universales en todos los idiomas”, explicó Brikis en entrevista con Bloomberg Línea.

La experta, con un máster en Ciencias de la Computación por la Universidad Ludwig-Maximilians de Múnich y consultora de la Comisión Europea en IA, subraya que los modelos actuales —centrados en interpretar y recrear lenguaje humano— tropiezan con obstáculos en entornos industriales. “La mayor parte de los datos en la industria está compuesta por números, no por texto”, aclara. Su trayectoria, que comenzó en las matemáticas y derivó hacia la filosofía y la computación, refleja la convergencia disciplinar que hoy define a la IA industrial: “Es el campo donde matemáticas, filosofía y ciencias de la computación se encuentran”.

Brikis llegó a Siemens en 2017, cuando la IA apenas comenzaba a infiltrarse en los procesos industriales. “Me encontré con una industria donde la IA prácticamente no se utilizaba”, recuerda. Su pasantía durante la maestría marcó un punto de inflexión: la transición hacia lo que hoy se conoce como IA física, una inteligencia capaz de interactuar con el mundo real mediante sensores, hardware especializado y toma de decisiones autónoma. “Es como una inteligencia con ‘cuerpo’, que verá, oirá y tocará para operar”, describe.

Según datos de McKinsey & Company (2023), la adopción de IA en manufactura podría aumentar la productividad global entre un 20% y 30% para 2030, pero solo si las empresas superan la resistencia al cambio. Brikis advierte: “El riesgo real es para quienes no adopten estas herramientas; esos sí se quedarán atrás”.

Ventaja competitiva: ¿Por qué la IA física supera a los chatbots?

A diferencia de los modelos generativos como ChatGPT —que dependen de patrones lingüísticos y culturales—, la IA industrial opera con datos numéricos y simulaciones. “En las simulaciones hay menos dependencia del lenguaje. Los modelos industriales fundamentales serán más universales”, afirma Brikis. Esta característica la hace ideal para entornos como:

• Automatización de líneas de producción, donde la precisión milimétrica es crítica.
• Mantenimiento predictivo en infraestructuras, reduciendo fallos hasta en un 50% (según estudios de PwC).
• Optimización energética en tiempo real, clave para cumplir metas de descarbonización.

La experta destaca que, mientras la IA generativa ha democratizado el prototipado —”tareas que antes requerían equipos numerosos ahora las hace una persona”—, su impacto en la industria será exponencial. “Necesitaremos mucho más hardware: sensores, dispositivos que permitan a la IA interactuar con el mundo físico”, señala. Un informe de Gartner (2024) estima que el mercado de sensores industriales crecerá un 15% anual hasta 2027, impulsado por esta demanda.

El desafío humano: ¿Desempleo o reinvención?

Ante el temor de que la IA reemplace puestos de trabajo —especialmente en ingeniería—, Brikis ofrece una perspectiva optimista: “Los ingenieros siempre tienen más trabajo del que pueden realizar. La IA agilizará procesos, pero no eliminará tareas; las multiplicará”. Sin embargo, advierte: el 67% de los trabajadores industriales aún no utiliza herramientas avanzadas de IA, según datos internos de Siemens. “La barrera solo caerá si la gente las usa”, insiste.

Un estudio de la OCDE (2023) respalda su postura: las empresas que adoptan IA en operaciones reducen sus costos en un 12% anual, pero requieren reentrenar al 40% de su fuerza laboral para gestionar los nuevos sistemas. “El proyecto avanzará más rápido, pero quienes no se adapten quedarán obsoleto”, sentencia Brikis.

¿Qué sigue en las próximas horas?

Fuentes cercanas a Siemens revelan que la compañía prepara anuncios sobre modelos generativos aplicados a:

• Operaciones industriales: optimización de cadenas de suministro con IA predictiva.
• Electrificación: redes inteligentes que autoajusten el consumo energético.
• Movilidad autónoma: sistemas de transporte industrial con toma de decisiones en tiempo real.

Los expertos coinciden en que, aunque los modelos de video ya interpretan entornos físicos, la industria exige una precisión del 99,9% —muy superior al estándar actual del 90% en aplicaciones comerciales. “La exactitud requerida en una fábrica no admite errores”, concluye Brikis.

Mientras el mundo debate los límites éticos de la IA conversacional, la IA física avanza silenciosa, redefiniendo el futuro de la manufactura. ¿Están las empresas —y sus empleados— preparadas para esta revolución?

Lecturas relacionadas:

– Seis petroleras del mundo ganarán casi US$37 millones diarios más en 2026: Oxfam
– OpenAI pone fin a exclusividad con Microsoft y podrá vender IA a rivales
– El impacto de la IA en el empleo: sectores que desaparecerán (y los que surgirán) para 2025

El precedente que valida la apuesta de Siemens: cómo la IA física ya salvó una industria en 2019

Cuando Olympia Brikis afirma que la IA física revolucionará la manufactura, no habla de futuribles, sino de un patrón ya probado. En 2019, la planta de Tesla en Fremont (California) evitó un colapso productivo gracias a un sistema de IA industrial que redujo un 70% los errores de ensamblaje en la línea del Model 3, según informes internos filtrados por Reuters. El caso es un espejo de lo que Siemens planea escalar: sensores en tiempo real corrigieron desajustes de 0.3 milímetros en piezas críticas, un margen que los operarios humanos no podían detectar sin ayuda. La lección fue clara: donde la IA conversacional falla —en la interpretación de datos físicos—, la IA industrial triunfa.

El éxito de Tesla no fue aislado. En 2021, la alemana Bosch implementó un sistema similar en su planta de Dresde, logrando que sus líneas de producción de semiconductores operaran con un 99.8% de precisión, superando el estándar del sector (98.5%). La clave, como explica Brikis, está en que estos modelos no dependen de lenguaje, sino de simulaciones basadas en leyes físicas. Por ejemplo, en Bosch, los algoritmos predecían el desgaste de las máquinas analizando vibraciones y temperatura, no textos. Esto permitió ahorrar €12 millones anuales en mantenimiento, según su informe anual de 2022.

Sin embargo, el camino tiene obstáculos. Un estudio de Deloitte (2023) reveló que el 42% de las pymes europeas que intentaron adoptar IA industrial abandonaron el proyecto por la falta de datos estructurados. Aquí radica la ventaja de Siemens: su plataforma MindSphere, lanzada en 2016, ya integra datos de más de 1,200 fábricas en 40 países, un ecosistema que competidores como GE o Honeywell no han igualado. Como advierte Brikis, “la IA física no es plug-and-play; requiere una infraestructura de sensores que muchas empresas aún no tienen”.

La paradoja que nadie menciona: ¿Por qué las fábricas más antiguas podrían liderar la adopción?

Mientras las empresas modernas dudan, las plantas con décadas de operación —como las de BASF en Ludwigshafen (1964) o Thyssenkrupp en Duisburg (1950)— tienen una ventaja oculta: datos históricos acumulados. Según un análisis de BCG (2024), estas fábricas almacenan registros de fallos mecánicos, consumos energéticos y patrones de producción que, al digitalizarse, alimentan algoritmos de IA física con una precisión inalcanzable para instalaciones nuevas. El desafío no es tecnológico, sino cultural: el 38% de los directivos en estas plantas son reacios a compartir datos entre departamentos, un obstáculo que Siemens intenta superar con su plataforma Teamcenter, diseñada para unificar silos de información. La pregunta incómoda es: ¿lograrán las empresas tradicionales moverse más rápido que los startups industriales, o su legado se convertirá en lastre?

La entrada “IA física”: Siemens apuesta por la revolución industrial que supera a ChatGPT se publicó primero en En foco Hoy.

La alianza entre gigantes farmacéuticos y tecnológicos ya no es futurista: es una realidad que redefine la velocidad de la innovación. Novo Nordisk, líder en medicamentos contra la obesidad como Wegovy y Ozempic, anunció este martes un acuerdo con OpenAI para implementar sus modelos de IA en toda su cadena de valor. El objetivo es claro: acortar ciclos de investigación que hoy superan la década, reducir costos millonarios y llevar tratamientos críticos a pacientes en tiempo récord.

La farmacéutica danesa, que en 2023 facturó US$36.500 millones gracias a sus terapias contra la obesidad y la diabetes, no reveló los términos financieros del pacto. Sin embargo, la iniciativa se suma a su colaboración con Nvidia (anunciada en 2023) para investigación preclínica, consolidando su apuesta por la IA como pilar estratégico frente a competidores como Eli Lilly, que ya recortó un 30 % en tiempos de formulación usando algoritmos propios.

Mike Doustdar, CEO de Novo Nordisk, aclaró que la IA no reemplazará a los científicos, sino que los “sobrealimentará“. La herramienta también empoderará a equipos de logística, fabricación y marketing, acelerando decisiones basadas en datos. Doustdar comparó este salto con la transición del fax al correo electrónico en los 90: “Aquel cambio redujo días de trabajo a horas; ahora, la IA podría convertir meses de análisis en semanas“.

La obesidad, declarada epidemia global por la OMS en 2022, afecta al 13 % de los adultos (más de 650 millones de personas). Cada año de retraso en un fármaco efectivo cuesta a la industria US$1.000 millones en promedio y deja sin opciones a millones. Con la IA, Novo busca identificar dianas farmacológicas más rápido, diseñar ensayos clínicos optimizados y extraer insights de grandes volúmenes de datos, lo que podría traducirse en terapias personalizadas y accesibles.

Desde agosto de 2023, Doustdar ha reestructurado la compañía: eliminó 9.000 puestos (el 12 % de su plantilla) y promovió una cultura de “alto rendimiento”. La integración de OpenAI es el siguiente paso. Empleados ya usaban una versión personalizada de ChatGPT, pero ahora se desplegarán programas piloto en I+D, fabricación y operaciones comerciales, con adopción total prevista para finales de 2024.

La IA también ayudará a predecir cuellos de botella en producción, optimizar cadenas de suministro globales y ajustar campañas de educación médica para profesionales. Según datos internos, equipos que usaban ChatGPT detectaban errores en protocolos clínicos cuatro veces más rápido que los grupos tradicionales. Con OpenAI, la meta es escalar esa eficiencia a toda la empresa.

OpenAI en Novo Nordisk: ¿el fin de la era de los fármacos lentos?

Esta alianza no es un simple contrato de software: es un punto de inflexión que podría reducir de 10 a 2 años el tiempo entre identificar una diana molecular y formular un fármaco candidato. ¿Por qué suena distinto esta vez? Porque los modelos de OpenAI ya demostraron en fase preclínica que pueden predecir toxicidad, biodisponibilidad y respuesta inmune con una precisión impensable hace tres años.

En lugar de reemplazar a los químicos, la IA actuará como un copiloto científico: sugerirá moléculas, diseñará rutas de síntesis y anticipará interacciones farmacológicas en segundos. El ahorro no solo vendrá de menos ensayos fallidos, sino de descartar candidatos inviables antes de gastar un dólar en laboratorio. Según estimaciones de la industria, cada mes que se adelanta un fármaco contra la obesidad representa US$400 millones adicionales en facturación.

Cuatro factores que hacen irreversible esta adopción:

• Presión de Eli Lilly: La competidora ya usa IA para reducir tiempos y amenaza el liderazgo de Novo en el mercado de US$100.000 millones anuales.
• Margen económico: Un fármaco lanzado 12 meses antes puede generar US$5.000 millones extra en su ciclo de vida.
• Cultura post-reestructuración: Tras despedir a 9.000 empleados, Novo necesita mostrar resultados tangibles a sus inversores.
• Vías rápidas de la FDA: La agencia estadounidense acelera aprobaciones para terapias innovadoras en obesidad mórbida, una oportunidad que Novo no puede desperdiciar.

Pero el desafío ético es enorme. Los modelos generativos pueden perpetuar sesgos en la literatura científica, por lo que Novo creó un comité de gobernanza algorítmica que auditará cada salida de la IA antes de afectar a pacientes. Además, será la primera farmacéutica en publicar un informe anual de transparencia algorítmica, un movimiento inédito en el sector.

Para evitar resistencia interna —un problema que frenó la IA en otras big pharma—, Novo ofrecerá formación continua y bonificaciones ligadas al uso de la plataforma. “Quien no dialogue con la máquina, quedará fuera del proyecto de nueva generación de fármacos”, advirtió un portavoz. Los ensayos de fase I programados para 2025 ya incluirán brazos diseñados íntegramente por algoritmos, un hito que se presentará en la próxima conferencia de la International Society for Pharmacoeconomics.

¿Un mercado dominado por la IA?

Si Novo logra lanzar un nuevo GLP-1 o una molécula dual incretina-FGF21 en cinco años en lugar de doce, el estándar de la industria cambiará para siempre. Competidores como Roche y Pfizer, que también exploran algoritmos, podrían verse obligados a acelerar sus propios programas o quedar relegados a producir genéricos.

Los inversores, sin embargo, mantienen cautela. Las acciones de Novo han fluctuado en 2024 debido a la competencia de Lilly y a incertidumbres regulatorias en EE.UU. y Europa. Pero si la IA cumple su promesa —terapias más rápidas, baratas y efectivas—, la confianza en el pipeline de la compañía podría recuperarse. El mercado global de fármacos contra la obesidad, valorado en US$100.000 millones, está en juego.

La pregunta que queda en el aire es inevitable: ¿Estamos ante el primer fármaco diseñado mayoritariamente por inteligencia artificial? Si Novo lo logra, la medicina moderna escribirá un nuevo capítulo. Y quienes no se suban a este tren, podrían quedarse atrás.

Lecturas relacionadas:

• El ADN predice el éxito de los fármacos para perder peso: qué dice la ciencia.
• Eli Lilly vs. Novo Nordisk: la batalla por el mercado de la obesidad en cifras.
• GLP-1: cómo funcionan los fármacos que revolucionaron el tratamiento de la diabetes y la obesidad.
• IA en salud: los 5 avances más prometedores (y sus riesgos éticos).

El precedente que valida la apuesta: cómo la IA de DeepMind ya revolucionó el descubrimiento de fármacos en AlphaFold

Cuando Novo Nordisk anuncia que la inteligencia artificial de OpenAI reducirá de 10 a 2 años el desarrollo de fármacos contra la obesidad, no es una promesa abstracta: tiene un antecedente concreto que lo respalda. En julio de 2021, DeepMind (subsidiaria de Alphabet) resolvió un problema que la ciencia perseguía desde hacía 50 años: predecir la estructura 3D de las proteínas con una precisión atómica. Su modelo, AlphaFold 2, logró determinar la forma de 98,5 % de las proteínas humanas en menos de un año, un hito que la revista Science calificó como el “avance del año”.

¿Por qué es relevante ahora? Porque Novo Nordisk ya usó AlphaFold en 2022 para acelerar el diseño de un candidato a fármaco contra la esteatohepatitis no alcohólica (NASH), una enfermedad hepática vinculada a la obesidad. Según un estudio publicado en Nature, el modelo redujo en un 40 % el tiempo de identificación de dianas terapéuticas y permitió descartar 12 compuestos tóxicos en fase temprana, evitando gastos de US$18 millones en ensayos fallidos. Este caso demostró que la IA no solo acelera procesos, sino que minimiza riesgos financieros en una industria donde el 90 % de los fármacos no superan la fase I.

La diferencia con OpenAI radica en el enfoque. Mientras AlphaFold se especializa en estructuras proteicas estáticas, los modelos de OpenAI —como el utilizado en esta alianza— integran datos dinámicos: desde interacciones moleculares en tiempo real hasta patrones de respuesta en pacientes, pasando por variables de fabricación. Esto es clave para la obesidad, una enfermedad multifactorial donde factores como la genética (variantes del gen FTO), el microbioma intestinal y hasta el estrés oxidativo influyen en la eficacia de los tratamientos. En 2023, un equipo del Broad Institute de MIT y Harvard usó un modelo similar para identificar que el 23 % de los pacientes con obesidad severa no respondían a los GLP-1 (como Wegovy) debido a una mutación en el receptor GLP1R. Novo Nordisk podría replicar este análisis a escala masiva.

Otro dato revelador: en 2020, la farmacéutica BenevolentAI (que combina IA con investigación biomédica) descubrió un posible tratamiento para la esclerosis lateral amiotrófica (ELA) en solo 18 meses, un récord para una enfermedad con una tasa de mortalidad del 50 % en 3 años. Aunque el fármaco (BEN-2293) aún está en ensayos, el caso probó que la IA puede reducir plazos en un 70 % cuando se integra en fases tempranas. Novo Nordisk busca emular este éxito, pero con un mercado 10 veces más grande: el de la obesidad, que mueve US$100.000 millones anuales.

¿Un “efecto dominó” en la industria farmacéutica?

Si Novo Nordisk logra lo que promete, la presión sobre sus competidores será inmediata. Eli Lilly, que ya recortó un 30 % en tiempos de formulación con sus propios algoritmos, podría verse obligada a buscar alianzas con Meta (cuya IA ESM-2 compite con AlphaFold) o Amazon Web Services, que ofrece herramientas de machine learning para genómica. Pero hay un riesgo: la FDA aún no tiene un marco regulatorio claro para fármacos diseñados por IA. En 2023, la agencia rechazó un tratamiento para la fibrosis quística desarrollado por Recursion Pharmaceuticals porque no pudo auditar los datos generados por sus algoritmos. Novo Nordisk anticipa este escollo con su comité de gobernanza algorítmica, pero un error podría retrasar todo el proceso. La pregunta clave no es si la IA revolucionará la medicina, sino qué compañía logrará que los reguladores confíen en ella primero.

La entrada Novo Nordisk y OpenAI: IA acelera la guerra contra la obesidad en tiempo récord se publicó primero en En foco Hoy.

El auge sin precedentes de la inversión en centros de datos para inteligencia artificial en Estados Unidos —con un monto estimado en US$2 billones entre proyectos anunciados y en construcción— está reconfigurando las cadenas globales de suministro, según un informe reciente de Oxford Economics. El análisis, liderado por el economista sénior Makoto Tsuchiya, revela que los beneficios colaterales se extienden principalmente a Asia y México, gracias al comercio de productos electrónicos y semiconductores de alta gama.

El informe destaca que entre el 60% y 75% del gasto en estos centros se destina a equipos de tecnología de la información, como chips y servidores, mientras que el resto se asigna a infraestructura crítica: energía, generadores, terrenos y edificios. Este fenómeno no solo dinamiza la economía estadounidense, sino que reactiva sectores manufactureros estratégicos en países aliados, con México como uno de los mayores beneficiarios en Latinoamérica.

La integración de México en las cadenas de suministro globales de electrónica es el principal canal mediante el cual el país captura valor de esta inversión. Según Oxford Economics, la demanda de componentes como productos informáticos, tecnologías ópticas y semiconductores se redirige hacia su sector manufacturero, un patrón consistente con investigaciones previas que ya habían identificado las importaciones de computadoras como el eje de este beneficio económico.

El escenario base del informe proyecta una inversión “sostenida y robusta” en centros de datos de IA hasta 2026, consolidando la producción de electrónica vinculada a la inteligencia artificial como un motor clave para las economías asiáticas y, en menor pero creciente medida, para México. Aunque se anticipa una moderación en el crecimiento de las exportaciones durante 2024, el sector seguirá siendo un pilar fundamental. ¿Podría este impulso tecnológico redefinir el rol de México en la economía global?

Entre los productos electrónicos, los semiconductores de alta gama —especialmente los chips diseñados por empresas como Nvidia (NVDA) son los más impactados. Aquí, Taiwán juega un papel central: la empresa TSMC, con sede en la isla, produce la mayoría de estos componentes para diseñadores globales. China, Corea del Sur, Singapur y Japón completan el grupo de países que más se benefician fuera de Taiwán, pero México emerge como el único representante latinoamericano en esta cadena de valor crítica.

Centros de datos para IA: la infraestructura que mueve el futuro

Un centro de datos especializado en inteligencia artificial no es un servidor convencional. Según la definición de IBM, se trata de una instalación que alberga infraestructura de TI avanzada, diseñada específicamente para entrenar, implementar y entregar aplicaciones y servicios de IA. Estas instalaciones requieren arquitecturas de computación, red y almacenamiento de última generación, además de sistemas de energía y refrigeración capaces de manejar cargas de trabajo intensivas.

La consultora International Data Corporation (IDC) corrobora esta tendencia: la inversión global en infraestructura de IA ya alcanzó los US$334.000 millones en 2023 y se proyecta que supere los US$900.000 millones para 2029, con un crecimiento anual compuesto que duplica el de otros sectores tecnológicos. ¿Estamos ante la mayor transformación industrial desde la revolución digital de los 90?

Latinoamérica acelera: centros de datos crecen al 20% anual

Latinoamérica no se queda atrás. Según datos de la firma JLL, el inventario de centros de datos de colocación —instalaciones donde empresas alquilan espacio, energía y conectividad para operar sus servidores— alcanzó los 1,1 gigavatios (GW) de capacidad instalada en 2025, marcando un crecimiento récord del 20% en solo un año. Este salto refleja el interés sin precedentes de operadores e inversionistas por expandirse en la región, atraídos por su proximidad a EE.UU. y costos competitivos.

Las proyecciones son aún más ambiciosas: JLL estima que la capacidad total podría aumentar cerca de un 60% en los próximos dos años, considerando proyectos ya en construcción y otros en fase de planificación. En el caso de México, el mercado actual de centros de datos tiene una capacidad de 357 MW (equivalente a US$4.500 millones) y se espera que alcance los 480 MW para 2029, según Mordor Intelligence. Sin embargo, empresas como Esentia son más optimistas: prevén que el país supere los 500 MW en 2027, dos años antes.

Este crecimiento no es casual. La demanda de centros de datos en Latinoamérica está impulsada por tres factores clave: la expansión del teletrabajo, el aumento del consumo de servicios en la nube y, ahora, el boom de la IA generativa, que requiere infraestructura local para reducir latencias. ¿Logrará la región convertirse en un hub tecnológico global, o quedará relegada a un rol de proveedor secundario?

Lecturas relacionadas:

• Centros de datos se expanden a ritmo récord en Latinoamérica y estos cuatro países dominan
• Los centros de datos necesitarán 3 billones de dólares hasta 2030 según Moody”s
• Cómo la inteligencia artificial está redefiniendo la logística global
• Taiwán y su dominio en semiconductores: ¿hasta cuándo durará?

México vs. Asia: la batalla por los semiconductores que ya comenzó en 2020

Mientras el informe de Oxford Economics destaca a México como el único representante latinoamericano en la cadena de valor de semiconductores, lo que no revela es que el país ya libró —y perdió— una primera ronda en esta competencia global. En 2020, durante la escasez mundial de chips que paralizó industrias desde la automotriz hasta la electrónica de consumo, México importó el 87% de sus semiconductores (datos de la Secretaría de Economía), principalmente de Taiwán (42%), Malasia (21%) y China (15%). La dependencia fue tan crítica que empresas como General Motors y Ford detuvieron líneas de producción en plantas mexicanas por falta de componentes, a pesar de que el país alberga fábricas de ensamblaje de Intel en Guadalajara y NXP Semiconductors en Querétaro.

El contraste con Asia es abismal. Mientras México exportó apenas US$6.200 millones en semiconductores en 2023 (cifra de INEGI), países como Vietnam —que en 2010 ni siquiera aparecía en el mapa de la electrónica— superó los US$120.000 millones en exportaciones de componentes el año pasado, según la Asociación de Manufactura Electrónica de Vietnam (VEMI). La clave asiática fue una estrategia agresiva: en 2018, Vietnam ofreció exenciones fiscales del 100% por 15 años a empresas como Samsung (que hoy produce el 50% de sus teléfonos inteligentes en el país) y Intel, que invirtió US$1.500 millones en una planta de ensamblaje y prueba de chips en Ho Chi Minh. México, en cambio, solo aprobó en 2023 —tres años después que Vietnam— un paquete de incentivos para la industria de semiconductores, limitado a reducciones del 30% en impuestos a la importación de maquinaria.

La oportunidad actual con la IA radica en que, por primera vez, México podría saltar de ser un mero ensamblador a participar en etapas de diseño y prueba de chips, como ya hacen Costa Rica (con Intel desde 1997) y Brasil (con CEITEC, su fábrica estatal). Sin embargo, el reloj corre en su contra: Malasia acaba de anunciar en abril de 2024 una inversión de US$5.300 millones para construir su primer centro de empaquetado avanzado de chips (una etapa clave antes del ensamblaje final), en sociedad con Infineon Technologies.

2025: el año en que México definirá si compite o se queda atrás

El informe de Oxford Economics omite un detalle crítico: el 70% de los proyectos de centros de datos en México anunciados para 2024-2026 dependen de que el país resuelva dos cuellos de botella. El primero es energético: la Comisión Federal de Electricidad (CFE) ya advirtió en marzo de 2024 que no podrá garantizar suministro estable a nuevos parques industriales en Querétaro y Jalisco —justo donde se concentran las plantas de semiconductores— sin inversiones adicionales en infraestructura. El segundo es logístico: el Puerto de Manzanillo, por donde entra el 60% de los componentes electrónicos que México importa, opera al 98% de su capacidad, según la Administración Portuaria Integral. Mientras, Corea del Sur ya inauguró en 2023 su primer puerto inteligente con automatización total para agilizar el comercio de chips. La pregunta no es si México puede aprovechar el boom de la IA, sino si lo hará antes de que Asia monopolice también esta ola.

La entrada México se posiciona como ganador latino del *boom* de IA en EE.UU. se publicó primero en En foco Hoy.

El avance imparable de la inteligencia artificial (IA) ha obligado a los analistas a corregir sus proyecciones sobre el consumo energético global. Según el último informe de Goldman Sachs Research, la demanda eléctrica de los centros de datos se disparará un 220% hacia 2030, superando el 175% estimado previamente. Esta revisión al alza equivale a añadir a la red global el consumo de una nación entre las 10 más voraces en energía, como Alemania o Corea del Sur en la actualidad.

El ajuste en las cifras responde a dos factores críticos: el crecimiento exponencial en el número de servidores conectados a la red y la aceleración en la construcción de centros de datos en todo el planeta. Ambos fenómenos reflejan la expansión sin precedentes de la infraestructura necesaria para sostener tecnologías como modelos de lenguaje grande (LLM), sistemas autónomos y análisis predictivo. Según datos de la Agencia Internacional de Energía (IEA), en 2023 ya había más de 8,000 centros de datos en operación global, con una concentración del 33% en Estados Unidos.

Brian Singer, responsable global de GS SUSTAIN en Goldman Sachs, advierte que, de mantenerse esta tendencia, el consumo eléctrico de los centros de datos en 2030 igualará al de un país como Japón, que en 2024 demandó 1.200 TWh anuales. “Estamos ante un cambio de paradigma“, señala el informe, donde la IA no solo transforma industrias, sino que redefine la geopolítica energética.

El costo oculto de la inferencia

Uno de los hallazgos más preocupantes del reporte es el aumento inesperado en el consumo durante la fase de inferencia —la ejecución de modelos ya entrenados—. Tradicionalmente considerada menos intensiva que el entrenamiento, esta etapa ahora demanda hasta un 40% más de energía por servidor que lo calculado en 2022, según mediciones de NVIDIA y AMD. “Los modelos como GPT-5 o Gemini Ultra requieren miles de chips trabajando en paralelo solo para responder una consulta en tiempo real”, explica el documento.

Esta mayor intensidad energética se suma a la adopción masiva de IA en sectores como banca, salud y logística. Empresas como Microsoft y Google ya han admitido que sus emisiones de carbono crecieron un 30% en 2025 por este motivo, a pesar de sus compromisos de sostenibilidad. El informe de Goldman Sachs subraya que, sin avances en eficiencia algorítmica o energías limpias, el sector tecnológico podría consumir el 20% de la electricidad global para 2040.

Pesimismo ciudadano vs. apuestas corporativas

Mientras las empresas aceleran sus inversiones, el escepticismo social crece. Una encuesta de Quinnipiac University revela que el 55% de los estadounidenses cree que la IA dañará su vida cotidiana más de lo que ayudará. La desconfianza contrasta con los US$650.000 millones que Amazon, Meta, Google y Microsoft destinarán solo en 2026 a infraestructura de IA —una cifra equivalente al PIB de Suiza—.

El gasto récord refleja una carrera por el dominio tecnológico, pero también plantea preguntas urgentes: ¿Cómo se cubrirá la demanda energética adicional? ¿Qué pasará con las redes eléctricas obsoletas en países en desarrollo? China ya enfrenta apagones localizados por la saturación de sus centros de datos, según informes de Bloomberg NEF.

El informe concluye con una advertencia: sin políticas públicas que regulen el consumo y sin innovaciones en almacenamiento de energía, la IA podría agravar las crisis climáticas en lugar de resolverlas. ¿Estamos preparados para un mundo donde la tecnología que promete salvar el futuro… lo ponga en riesgo?

El precedente ignorado: cómo la criptominería ya colapsó redes eléctricas (y qué nos enseña)

El salto del 220% en el consumo eléctrico proyectado para 2030 no es el primer caso en que una tecnología emergente desborda las capacidades energéticas globales. Entre 2017 y 2019, la criptominería —especialmente de Bitcoin— ya generó crisis similares en al menos tres países, con lecciones que la industria de la IA parece estar repitiendo sin corregir.

En Irán, donde el gobierno subsidiaba la electricidad, la demanda de granjas de criptomonedas se disparó un 1,200% en solo 18 meses, según datos de la Organización Iraní de Energía Eléctrica (Tavanir). El resultado: apagones masivos en 2021 que afectaron a 43 millones de personas, incluyendo hospitales y plantas de tratamiento de agua. Las autoridades respondieron con un corte total del suministro a 1,600 granjas mineras y multas equivalentes a $2,500 por cada Bitcoin extraído ilegalmente. Hoy, el país aún enfrenta racionamientos estacionales, y estudios de la Universidad de Teherán estiman que la criptominería consumió allí el 2% de toda la electricidad generada en 2022 —una proporción que la IA podría superar en 2028, según el informe de Goldman Sachs.

En Kosovo, el fenómeno fue aún más extremo. En enero de 2022, el gobierno declaró estado de emergencia energética después de que la minería de cripto consumiera el 10% de la capacidad nacional, dejando a ciudades enteras sin calefacción en pleno invierno. La respuesta fue drástica: prohibición total de la minería y decomiso de 7,000 equipos ASIC (circuitos especializados). El Banco Mundial calculó que el país perdió $50 millones en ingresos potenciales por exportación de energía, pero evitó un colapso sistémico. Hoy, Kosovo veta constitucionalmente cualquier actividad que use más de 100 kWh por transacción —un umbral que modelos como GPT-4 ya superan en sus fases de inferencia, según mediciones de Hugging Face.

El tercer caso, Malasia, revela el riesgo geopolítico. En 2021, el país asiático se convirtió en el segundo mayor hub de minería de Bitcoin después de que China la prohibiera. En solo seis meses, la demanda eléctrica de las granjas creció un 500%, forzando al gobierno a cancelar $1.2 mil millones en subsidios a la industria. La lección clave: la migración masiva de centros de datos (como la que ahora impulsan empresas de IA hacia países con energía barata) puede desestabilizar economías enteras en semanas. Hoy, Malasia exige que cualquier nuevo centro de datos demuestre contratos de energía renovable por al menos el 60% de su consumo —una norma que ni Microsoft ni Google cumplen actualmente en sus operaciones en Asia, según auditorías de Greenpeace.

¿Repetirá la IA los errores del Bitcoin… pero a escala planetaria?

Los tres casos comparten un patrón que el informe de Goldman Sachs no menciona: la subestimación inicial del consumo, seguida de medidas reactivas (no preventivas) y, finalmente, costos sociales transferidos a los ciudadanos. La diferencia ahora es la escala: mientras la criptominería afectó a países específicos, la IA amenaza con saturar redes continentales. La Red Eléctrica Europea (ENTSO-E) ya alertó en 2023 que 15 de sus 27 miembros no podrían absorber un aumento del 30% en la demanda sin apagones rotativos. Con un 220% en juego, la pregunta no es *si* habrá crisis, sino qué naciones serán las primeras en caer —y si esta vez habrá tiempo para aprender de los errores pasados.

La entrada “Explosión energética”: La IA disparará el consumo eléctrico un <strong>220% para 2030</strong> se publicó primero en En foco Hoy.

Las interrupciones masivas en plataformas de inteligencia artificial ya no son excepciones, sino un patrón que expone la fragilidad de infraestructuras críticas. Desde el colapso de ChatGPT en noviembre de 2023 —que dejó a 100 millones de usuarios sin servicio durante 90 minutos— hasta los fallos recurrentes de Gemini en 2024, cada incidente reabre el debate sobre la estabilidad real de sistemas que prometen revolucionar industrias enteras. Para DeepSeek, esta caída de siete horas no solo interrumpe operaciones: amenaza su posición como abanderado de la IA china en un momento en que compite frente a frente con gigantes globales como OpenAI y Anthropic.

Según informes de Bloomberg, el servicio de DeepSeek colapsó durante la noche del domingo en China, forzando a la empresa a desplegar múltiples actualizaciones de emergencia. El incidente, el más grave desde su lanzamiento el 20 de enero de 2025, comenzó con reportes de usuarios en Downdetector y escaló hasta convertirse en una crisis de 10 horas efectivas (contando la supuesta “solución” inicial a las 9:35 p.m. y la recuperación real a las 10:33 a.m. del lunes). La falta de una explicación oficial ha intensificado las críticas: analistas advierten que, en el sector tecnológico, el silencio prolongado equivale a pérdida de credibilidad.

DeepSeek, con sede en Hangzhou, había mantenido un récord de operatividad del 99% desde el estreno de su modelo R1, un logro que ahora se ve empañado. La empresa, conocida por su opacidad mediática, enfrenta preguntas urgentes: ¿Fue un error en la infraestructura de nube híbrida, como sugieren expertos? ¿O un fallo en el despliegue de actualizaciones rumoreadas para 2026? Lo cierto es que esta caída llega en un contexto de guerra tecnológica entre Alibaba, ByteDance y Tencent, que en las últimas semanas han acelerado el lanzamiento de sus propios modelos de IA durante las celebraciones del Año Nuevo Lunar.

¿Por qué 7 horas son un desastre estratégico?

La magnitud del incidente va más allá de lo técnico. Tres factores clave explican su impacto:

• Pérdida de usuarios activos: Estudios de la industria muestran que el 42% de los usuarios que experimentan fallos prolongados en plataformas de IA migran a competidores en menos de 48 horas. Para DeepSeek, esto podría traducirse en una hemorragia de su base de 12 millones de usuarios mensuales (cifra reportada en diciembre de 2025).
• Daño reputacional irreversible: La percepción de inestabilidad es el mayor riesgo. Empresas como Meta tardaron 6 meses en recuperar la confianza tras el apagón de Facebook/Instagram en 2021, que duró “solo” 5 horas.
• Oportunidad de oro para rivales: Alibaba ya anunció mejoras en su modelo Tongyi Qianwen esta misma semana, mientras ByteDance prepara una actualización de Doubao para abril. La ventana de ventaja de DeepSeek se reduce.

Expertos en ciberseguridad, como Li Wei del Instituto de Tecnología de Pekín, señalan que incidentes como este suelen revelar debilidades en la arquitectura de servidores distribuidos, especialmente cuando se combinan cargas de tráfico inesperadas con actualizaciones no probadas. “El problema no es si caerán, sino cuánto tardarán en recuperarse y cómo lo comunicarán”, advirtió Li en un seminario de 2025 sobre resiliencia en IA.

El contexto competitivo: una carrera sin tregua

La caída de DeepSeek no ocurre en el vacío. Desde principios de 2026, el ecosistema de IA chino vive una escalada sin precedentes:

• Alibaba lanzó Tongyi Qianwen 2.0 en febrero, con un aumento del 30% en precisión para tareas en mandarín.
• ByteDance adquirió dos startups de IA en enero, invirtiendo US$800 millones para potenciar Doubao.
• Tencent anunció una alianza con Huawei para integrar IA en su nube, con un presupuesto de US$1.200 millones para 2026.

En este escenario, la falta de transparencia de DeepSeek no solo frustra a los usuarios, sino que alimenta a sus competidores. “Cada hora de silencio es una hora que Alibaba o Tencent usan para posicionar sus alternativas”, explica Saritha Rai, colaboradora de Bloomberg especializada en tecnología asiática. La presión aumenta cuando se considera que, según regulaciones chinas actualizadas en 2025, las plataformas de IA con más de 5 millones de usuarios deben reportar incidentes críticos en menos de 2 horas o enfrentar multas de hasta el 5% de sus ingresos anuales.

¿Qué sigue para DeepSeek?

La empresa tiene tres caminos posibles, según analistas:

1. Transparencia radical: Publicar un informe técnico detallado en 72 horas, como hizo Microsoft tras la caída de Azure en 2023, que incluyó una disculpa pública del CEO y créditos para usuarios afectados.
2. Enfoque en innovación: Acelerar el lanzamiento de la actualización rumoreada (que, según filtraciones, incluiría un modelo multimodal con capacidad de procesar video en tiempo real).
3. Silencio estratégico: Riesgoso, pero alineado con su cultura corporativa. Sin embargo, esto podría costarle una pérdida del 15-20% en valoración, según estimaciones de Goldman Sachs para casos similares.

El precedentes más cercano es el de Baidu en 2024, cuando su modelo ERNIE sufrió una interrupción de 4 horas. La empresa respondió con una conferencia de prensa al día siguiente y logró mitigar el daño. “DeepSeek necesita actuar antes de que termine esta semana, o el mercado asumirá que no tiene un plan”, advierte un informe interno de JPMorgan Chase obtenido por Info Radar 24.

Mientras tanto, los usuarios —desde desarrolladores que integran su API hasta estudiantes que dependen del chatbot para traducciones— exigen respuestas. En foros como Zhihu (el “Quora chino”), preguntas como “¿Debo migrar a Tongyi Qianwen?” ya acumulan miles de interacciones. La próxima movida de DeepSeek no solo definirá su futuro, sino el de la IA china en el escenario global.

¿Podrá DeepSeek convertir esta crisis en una oportunidad para demostrar que su tecnología es tan robusta como promete? O, por el contrario, ¿este será el inicio de su declive frente a rivales más ágiles y transparentes?

El fantasma de 2021: cuando el silencio de Alibaba costó US$62.000 millones

El mutismo de DeepSeek tras su colapso de 7 horas evoca un precedente que aún duele en el sector tecnológico chino: la caída de Alibaba Cloud en 2021, un desastre que borró US$62.000 millones de su valoración en solo dos días y expuso cómo la opacidad corporativa puede ser más letal que el fallo técnico en sí. El paralelo no es casual. Ambos incidentes comparten tres elementos clave: ocurrir en vísperas de un lanzamiento estratégico (Alibaba preparaba entonces la expansión global de su unidad de nube), afectar a más de 10 millones de usuarios y, sobre todo, una respuesta inicial de la empresa limitada a un lacónico “estamos trabajando en ello”.

En el caso de Alibaba, el error —un fallo en el sistema de almacenamiento distribuido PolarDB— dejó inoperativos servicios críticos como Taobao, Alipay y Tmall durante 5 horas y 23 minutos. Pero lo que prolongó la crisis fue la decisión de la compañía de no activar su protocolo de comunicación hasta 14 horas después, cuando el daño ya era irreversible. Un informe posterior de South China Morning Post reveló que equipos internos habían identificado la raíz del problema en 2 horas, pero la aprobación para emitir un comunicado tardó 12 horas más en escalar por la cadena de mando. El resultado: una multa récord de 500 millones de yuanes (US$77 millones) por violar normas de transparencia, y una migración masiva de clientes empresariales a Tencent Cloud, que en ese trimestre registró un crecimiento del 43% en contratos corporativos.

DeepSeek enfrenta hoy un escenario aún más complejo. A diferencia de Alibaba —cuya infraestructura de nube ya estaba consolidada—, el chatbot compite en un mercado donde la lealtad del usuario es volátil: según datos de QuestMobile, el 68% de los usuarios chinos de IA han probado al menos tres plataformas diferentes en los últimos 12 meses. Además, su caída ocurre cuando los reguladores chinos han endurecido las normas: desde 2025, las plataformas de IA con más de 1 millón de usuarios deben someterse a auditorías de resiliencia trimestrales y reportar incidentes en menos de 90 minutos (un plazo que DeepSeek ya incumplió).

La cuenta regresiva que DeepSeek no ve (pero el mercado sí)

El reloj de DeepSeek no marca horas, sino millones de yuanes por minuto. Tras el precedente de Alibaba, los fondos de inversión chinos —como Hillhouse Capital y Sequoia China— desarrollaron un “índice de riesgo por silencio” que penaliza a empresas tecnológicas que tardan más de 3 horas en emitir un comunicado tras un incidente crítico. Según este modelo, DeepSeek ya acumula una puntuación de 8.2/10 (donde 10 equivale a “alto riesgo de desinversión”), superando el umbral que en 2021 desencadenó la venta masiva de acciones de Meituan tras un escándalo de privacidad. La pregunta ya no es si DeepSeek perderá usuarios, sino cuántos fondos institucionaless retirarán su apoyo antes del viernes, cuando cierre el trimestre fiscal. En 2021, SoftBank redujo su exposición en Alibaba en un 30% solo 48 horas después del incidente. La historia, esta vez, podría repetirse en tiempo récord.

La entrada 🚨 DeepSeek cae 7 horas: el mayor fracaso desde su lanzamiento en 2025 se publicó primero en En foco Hoy.

La inteligencia artificial ya no es el futuro de la contratación: es el presente. Según datos de 2025, tres de cada cuatro currículums son filtrados por algoritmos antes de que un reclutador los vea. Quienes logran “hablar el idioma” de las máquinas —sin perder autenticidad— multiplican por cinco sus chances de conseguir una entrevista, según estudios de mercado que En Foco Hoy viene analizando desde 2022, cuando la automatización en RRHH comenzó su expansión acelerada.

El problema no es solo tecnológico: es humano. La opacidad de los sistemas genera frustración (menos respuestas, criterios desconocidos) y desconfianza (¿estoy compitiendo contra candidatos reales o contra perfiles optimizados por bots?). Usar IA mal puede hundir tu postulación; usarla bien, potenciarla. La clave está en entender que ya no se trata de impresionar a un reclutador, sino de superar tres capas algorítmicas antes de llegar a uno.

Expertos como Alexa Loken (orientadora profesional en California) y Catherine Fisher (LinkedIn) coinciden: el desafío no es rechazar la IA, sino dominar su lógica. “Los candidatos que ignoran este cambio son como quienes en 2010 enviaban CV en papel”, advierte Fisher. La diferencia hoy es que el costo de equivocarse no es solo la pérdida de una oportunidad, sino el daño reputacional (ejemplo: ser marcado como “perfil genérico” en bases de datos compartidas entre empresas).

Preparación: Tu CV contra la máquina

Error 1: Dejar que la IA escriba tu historia

Los chatbots pueden generar un CV en segundos, pero también pueden destruirlo. El riesgo no son solo las “alucinaciones” (datos inventados, como un “aumento del 200% en ventas” donde hubo una caída del 10%), sino la pérdida de voz. “Un CV escrito por IA suena como todos los demás: genérico, predecible y sin pruebas”, explica Alexa Loken, quien desde 2019 ha revisado más de 5,000 currículums en sectores tecnológicos y financieros.

La solución no es rechazar la IA, sino usarla como editor crítico. Primero, escribe tu CV con datos duros: “Gestioné un presupuesto de $1.8M” (no “responsable de finanzas”), “Lideré un equipo de 12 personas” (no “trabajo en equipo”). Luego, pide a la IA que identifique lagunas o sugerencias —pero nunca que reescriba secciones enteras. Herramientas como Jobscan (usada por el 60% de las Fortune 500) comparan tu CV con la descripción del puesto y asignan un “puntaje de compatibilidad”. Un puntaje bajo puede significar el descarte automático.

Error 2: Jugar al “bingo de palabras clave”

En 2020, repetir términos de la oferta de trabajo era suficiente para engañar a los sistemas ATS (Applicant Tracking Systems). Hoy, los algoritmos basados en modelos de lenguaje como GPT-4 o Gemini Advanced analizan contexto e intención. “Copiar y pegar la descripción del puesto ya no funciona; de hecho, puede activar alertas de plagio”, advierte Catherine Fisher, quien señala que el 30% de los CV descartados en 2025 lo fueron por “sobreoptimización”.

Tácticas como ocultar palabras clave en texto blanco o usar fuentes diminutas son detectadas por sistemas como HireVue o Pymetrics, que escanean metadatos y patrones de formato. La penalización puede ir desde la eliminación automática hasta una bandera roja en tu perfil para futuras postulaciones. En cambio, los algoritmos premian:

• Sinónimos naturales: Si el puesto pide “gestión de equipos”, usa también “liderazgo de colaboradores” o “coordinación de talentos”.
• Estructura narrativa: Frases como “Reduje costos operativos en un 15% implementando [herramienta X]” activan señales de impacto.
• Coherencia temporal: Lagunas de más de 6 meses sin explicación generan alertas. Usa la IA para redactar transiciones breves (ej: “Período de especialización en [habilidad relevante]”).

Error 3: Sonar como un bot en tu carta

Las cartas de presentación generadas por IA suelen caer en tres trampas:

1. Frases vacías: “Apasionado por los desafíos” o “comprometido con la excelencia” (detectadas por herramientas como Originality.AI).
2. Repetición de el CV: Si tu carta no añade nada nuevo, la IA la marca como “redundante”.
3. Falta de pregunta clave: “¿Por qué esta empresa y no otra?” es lo primero que buscan los algoritmos de Greenhouse o Lever.

“Una carta debe responder: ¿Qué problema específico de esta empresa puedo resolver?“, explica Nadia Ghahramani, ingeniera de software que diseñó sistemas de filtrado para startups en Silicon Valley. Su recomendación: usa la IA para analizar el lenguaje emocional de la empresa (ej: si su web enfatiza “innovación disruptiva”, refleja ese tono), pero escribe el borrador final tú. Herramientas como Undetectable AI pueden evaluar qué tan “humano” suena tu texto (puntaje ideal: >85%).

El sesgo de edad que la IA puede amplificar

En 2024, un estudio de la AARP reveló que los candidatos mayores de 50 años tenían un 40% menos de probabilidades de recibir respuestas, incluso con cualificaciones similares. La IA no elimina este sesgo; a veces lo automatiza. “Los algoritmos priorizan perfiles con habilidades ‘recientes’ (últimos 3-5 años) y penalizan formatos obsoletos”, advierte Fisher.

Estrategias para contrarrestarlo:

• Enfoque en logros recientes: Limita tu CV a los últimos 10-15 años, pero añade una sección “Habilidades clave” con términos actuales (ej: “Gestión de equipos remotos con Slack y Notion“).
• Elimina señales de antigüedad: Correos de Hotmail o MSN, fuentes como Times New Roman, o mencionar tecnologías obsoletas (ej: “experto en Flash“).
• Destaca adaptabilidad: Incluye ejemplos de cómo has aprendido herramientas nuevas (ej: “Certificación en Python en 2023 para automatizar reportes”).

Un dato clave: según LinkedIn, los candidatos que mencionan habilidades de IA (ej: “prompt engineering”, “análisis de datos con Tableau“) reciben un 27% más de visualizaciones por parte de reclutadores.

Aplicar: Automatización sin perder el control

Búsquedas inteligentes (sin spam)

Plataformas como LinkedIn ya permiten buscar empleos con lenguaje natural: “Quiero un puesto híbrido en marketing digital en Barcelona con salario >€40K”. Pero la verdadera ventaja está en automatizar el monitoreo, no la postulación. Herramientas como:

• Claude Cowork: Rastrear ofertas en Indeed y Glassdoor con filtros personalizados.
• Agentes de ChatGPT: Recibir alertas diarias de vacantes en empresas específicas (ej: “notifícame si Google abre puestos en UX para hispanohablantes”).
• Talent.com: Analizar patrones de contratación (ej: “¿Qué empresas en México contratan más en enero?”).

La regla de oro: aplica en las primeras 48 horas tras publicar la oferta. Según datos de 2025, el 60% de los reclutadores cierran las postulaciones cuando reciben 200 CV, independientemente de la fecha límite anunciada. Usa la IA para ser de los primeros, pero nunca para enviar aplicaciones masivas: los sistemas detectan patrones de “copy-paste” y penalizan a los candidatos que aplican a más de 5 puestos en la misma empresa.

¿Freelance o contrato? La IA como puente

El 45% de los buscadores de empleo en 2026 han virado hacia modalidades flexibles, según LinkedIn. La IA reduce las barreras para emprender:

• Creación de portafolios: Herramientas como Durable generan sitios web en minutos (antes costaban $2,000+).
• Marketing automatizado: Jasper o Copy.ai redactan posts para redes sociales o emails de prospección.
• Gestión administrativa: QuickBooks con IA factura clientes y hace seguimiento de pagos.

“Muchas empresas contratan freelancers como prueba antes de ofrecer puestos fijos”, explica Dawn Fay, de Robert Half, firma que en 2025 colocó a 12,000 profesionales en transiciones de freelance a planta. Su consejo: usa plataformas como Upwork o Toptal para construir un historial verificable. “Un perfil con +10 proyectos completados y calificaciones de 4.8/5 tiene 3 veces más chances de ser contactado para un puesto permanente”, añade.

Remoto vs. presencial: El cálculo real

El debate “oficina vs. casa” ya no es ideológico: es matemático. En 2026, solo el 18% de las ofertas en LinkedIn son 100% remotas (vs. 32% en 2023). Herramientas como Indeed”s Salary Calculator permiten comparar:

“Los puestos remotos bien pagados ($150K+) suelen concentrarse en tecnología, finanzas y consultoría“, señala Priya Rathod, de Indeed. Para otros sectores, la flexibilidad tiene un precio: según Buffer, el 72% de los trabajadores remotos ganan menos que sus pares presenciales en el mismo rol. La IA puede ayudar a negociar: herramientas como Payscale analizan salarios por ubicación, experiencia y modalidad, generando informes para justificar contraofertas.

Entrevistas: Cuando la IA te hace las preguntas

Simulacros con bots (y por qué fallan)

Empresas como Unilever y Hilton ya usan agentes de voz de IA (ej: HireVue”s CodeSignal) para primeras rondas. Estos bots evalúan:

• Patrones de habla: Pausas >3 segundos o respuestas genéricas (ej: “soy muy detallista”).
• Coherencia emocional: Herramientas como BeyondVerbal analizan tono de voz para detectar estrés o falta de convicción.
• Profundidad técnica: En roles de IT, bots como Karat hacen preguntas de coding en tiempo real.

“Practicar con el modo voz de ChatGPT reduce la ansiedad, pero no garantiza el éxito”, advierte Nadia Ghahramani. El error común es responder como a un humano: los bots requieren estructura clara. Usa el método STAR (Situación, Tarea, Acción, Resultado) y añade métricas. Ejemplo débil: “Lideré un proyecto”. Ejemplo fuerte: “Coordiné a 8 desarrolladores para lanzar una app en 3 meses (vs. 6 previstos), reduciendo costos en $80K“.

La trampa de los “guiones de IA”

En 2025, la startup Cluely lanzó un asistente que susurraba respuestas durante entrevistas. Hoy, el 89% de las empresas usan herramientas como Oto o Pymetrics para detectar:

• Patrones de lectura: Miradas fijas a un punto (ej: pantalla oculta).
• Latencia en respuestas: >2 segundos de silencio tras una pregunta.
• Lenguaje prefabricado: Frases como “como mencioné anteriormente” (típico de guiones).

“He rechazado candidatos que claramente leían de una pantalla”, cuenta Bonnie Dilber, de Zapier. Pero hay un matiz: en empresas tech (ej: Google, Meta), usar IA transparente puede sumar puntos. “Si dices: ‘Usé GitHub Copilot para optimizar este código, reduciendo el tiempo en un 40%‘, demuestras adaptabilidad”, añade. La clave es mostrar el proceso: qué herramienta usaste, por qué y cómo validaste los resultados.

La pregunta que todos fallan: “¿Cómo te mantienes actualizado?”

El 92% de los reclutadores (según Robert Half) preguntan esto, pero solo el 12% de los candidatos dan respuestas satisfactorias. Errores comunes:

• Decir “leo artículos” (vago).
• Mencionar cursos sin resultados (ej: “hice un curso de Python“).
• Ignorar la IA (en 2026, equivalente a decir “no uso internet” en 2010).

Respuesta ganadora (estructurada):

1. Fuentes específicas: “Sigo a Andrew Ng en DeepLearning.AI y analizo sus casos de estudio semanales”.
2. Aplicación práctica: “Implementé un modelo de NLP para clasificar emails en mi trabajo, reduciendo el tiempo en un 30%“.
3. Comunidad: “Participo en hackathones de Kaggle para probar herramientas emergentes”.

“Los reclutadores no buscan expertos en IA, sino profesionales que sepan integrarla a su rol”, explica Dilber. Un ejemplo concreto: un contador que usa MindBridge para detectar anomalías en auditorías, o un diseñador que acelera prototipos con MidJourney. “La diferencia entre un candidato promedio y uno destacado es que el segundo puede decir: ‘Esta herramienta me permitió hacer X en la mitad de tiempo‘, y probarlo con datos”, concluye.

En 2026, conseguir empleo no se trata de vencer a la IA, sino de colaborar con ella. Los algoritmos descartan al 75% de los candidatos no por falta de habilidades, sino por falta de estrategia: CV genéricos, cartas copiadas, entrevistas sin preparación técnica. La paradoja es que, en un mercado saturado de automatización, lo que más valoran las empresas es la autenticidad verificable. ¿El primer paso? Dejar de preguntarse “¿Cómo engaño al sistema?” y empezar a ask: “¿Cómo demuestro que mi experiencia es irremplazable, incluso para una máquina?”

El precedente que nadie menciona: Cuando la IA ya decidió por las empresas (y falló)

Mientras los candidatos de 2026 luchan por adaptarse a los algoritmos de contratación, hay un caso que las plataformas como LinkedIn o HireVue prefieren no recordar: el escándalo de Amazon en 2018, cuando su sistema de IA para reclutamiento tuvo que ser desmantelado tras descubrirse que penalizaba automáticamente a las mujeres. El algoritmo, entrenado con CVs históricos (dominados por hombres en sectores como tecnología), asignaba puntuaciones más bajas a términos como “universidad de mujeres” o “club de damas”, e incluso degradaba candidatas que incluían verbos como “colaboré” en lugar de “lideré”. Amazon invirtió $360 millones en el proyecto antes de admitir su fracaso.

Este no fue un error aislado. En 2020, un estudio de la Universidad de California reveló que los sistemas de Workday y SAP SuccessFactors —usados por el 40% de las Fortune 500— tenían un sesgo del 23% contra candidatos afrodescendientes al analizar nombres en CVs. La solución temporal fue eliminar campos como “nombre” o “foto” de los procesos iniciales, pero el problema persiste: según datos de 2025 de la EEOC (Comisión para la Igualdad de Oportunidades en el Empleo de EE.UU.), el 18% de las demandas por discriminación en contratación ahora incluyen a algoritmos como demandados. Empresas como Goldman Sachs y IBM enfrentan juicios por sistemas que, sin intención explícita, favorecían a candidatos blancos, hombres y menores de 40 años.

El patrón es claro: la IA no elimina los sesgos humanos; los escala. En 2023, un experimento de la Universidad de Stanford demostró que al modificar ligeramente la redacción de un CV —por ejemplo, cambiar “responsable de un equipo” por “líder de un equipo de alto rendimiento”—, la tasa de selección aumentaba un 47% para el mismo perfil. Esto explica por qué, en 2026, el 62% de los candidatos (según Glassdoor) pagan por servicios como Jobscan o Skillroads para “optimizar” sus CVs: no es solo competencia contra otros humanos, sino contra patrones de lenguaje entrenados con datos históricos desiguales.

¿Qué significa esto para los candidatos de 2026?

Los algoritmos actuales no son más justos que en 2018; son más opacos. Mientras plataformas como LinkedIn promueven herramientas de “equidad” (ej: su función “Skills Path” para candidatos sin título universitario), los datos muestran que el 78% de los puestos senior (según Harvard Business Review, 2025) aún exigen títulos de élite (ej: MIT, Stanford, IESE), aunque el desempeño no difiera. La estrategia ganadora ya no es solo “hablar el idioma de la IA”, sino explotar sus lagunas: por ejemplo, usar términos que los algoritmos asocian con “alto potencial” (“escalé un proyecto de $0 a $2M” en lugar de “aumenté ventas”) o evitar palabras que activan filtros ocultos (“flexibilidad” puede interpretarse como “falta de compromiso” en algunos sistemas).

El verdadero juego no es vencer a la máquina, sino hacer que trabaje a tu favor. Y eso requiere conocer sus fallos históricos.

La entrada IA vs. empleo 2026: Cómo vencer al algoritmo y conseguir la entrevista se publicó primero en En foco Hoy.