Microsoft y OpenAI anunciaron este jueves un acuerdo no vinculante que marca un avance significativo en su colaboración para el desarrollo de la Inteligencia Artificial (IA). Aunque el acuerdo anunciado por ambas compañías no ofrece detalles, reportes de prensa señalan que esta reestructura permitirá a OpenAI convertirse en empresa con fines de lucro y, probablemente, preparar una oferta pública en la bolsa de valores.

“Microsoft y OpenAI han firmado un memorando de entendimiento (MOU) no vinculante para la siguiente fase de nuestra colaboración. Trabajamos activamente para concretar los términos contractuales en un acuerdo definitivo. Juntos, seguimos centrados en ofrecer las mejores herramientas de IA para todos, basados ​​en nuestro compromiso compartido con la seguridad”, informaron ambas empresas.

El comunicado conjunto no ofrece detalles específicos de lo que implica este nuevo acuerdo; sin embargo, información de Reuters apunta a que permitiría a OpenAI adoptar una estructura corporativa más convencional.

Bret Taylor, presidente de la junta directiva de OpenAI, reveló que la compañía busca una valoración de 500,000 millones de dólares en mercados privados, mientras que su división sin fines de lucro aún recibiría más de 100,000 millones de dólares en virtud del nuevo acuerdo, según cita Reuters.

Microsoft ha sido uno de los principales inversionistas de OpenAI, con un monto estimado de más de 13,000 millones de dólares desde 2019, lo que implicaba derecho exclusivo para comercializar y usar cierta tecnología de OpenAI.

La reestructuración aún debe superar obstáculos regulatorios, incluyendo la aprobación de los fiscales generales de California y Delaware. OpenAI espera completar estos procedimientos hacia finales de año, y cumplir con los compromisos asumidos de financiamiento.

La búsqueda para convertirse en una empresa con fines de lucro ha enfrentado la oposición de Elon Musk, uno de los cofundadores originales de la compañía, y que dejó OpenAI tras diferencias con el resto de directivos en este proceso. Musk interpuso una demanda para bloquear este cambio, al argumentar que se aleja de su propósito original.

A finales del año pasado, OpenAI reveló conversaciones entre Musk y otros directivos, que muestran cómo el polémico empresario intentó mantener el control de OpenAI y que se opuso inicialmente a que fuera una organización sin fines de lucro. Aparentemente, Musk buscaba convertir a OpenAI en una entidad con fines de lucro siempre que él mantuviera el control mayoritario de la compañía.

 

Fuente:

DPL News (2025, 12 de septiembre). Microsoft y OpenAI firman nuevos términos de colaboración que fortalecerán el financiamiento de la empresa de IA. Recuperado el 15 de septiembre de 2025, de: https://dplnews.com/microsoft-y-openai-firman-nuevos-terminos-de-colaboracion-que-fortaleceran-el-financiamiento-de-la-empresa-de-ia/

Los agentes de IA no son nada nuevo en la atención al cliente: todos conocemos esa voz automatizada que nos saluda al llamar a un número 800. Normalmente, han gestionado consultas de nivel 1 (generales) y nivel 2 (técnicas de bajo nivel). 

Ahora, sin embargo, al menos para la empresa de servicio al cliente basada en IA Zendesk , la IA agente puede manejar consultas de múltiples turnos más complejas e incluso ejecutar procesos de varios pasos como devoluciones.

El proveedor de software de seguimiento del flujo de trabajo e interacción del centro de soporte ha visto mayores ganancias en estas capacidades desde que implementó GPT-5 en su plataforma de resolución Zendesk . 

La empresa ha descubierto que, para la mayoría de los clientes, los agentes con tecnología GPT-5 pueden resolver más del 50 % de los tickets, y en algunos casos, incluso entre el 80 % y el 90 %. Además, la última versión de OpenAI es más rápida, presenta menos fallos y comprende mejor la ambigüedad. 

“Hablamos de dos tipos de IA: el agente autónomo y el agente copiloto”, declaró Shashi Upadhyay, presidente de producto, ingeniería e IA de Zendesk, a VentureBeat. “El agente autónomo toma la iniciativa y, si tiene que ceder el control, el agente copiloto ayuda al agente humano a resolver el problema”.

Resolver más problemas, más rápidamente y comprender la complejidad

Con Zendesk, la primera interacción de un cliente siempre es con un agente de IA autónomo; si no puede resolver el problema, lo delega en un agente humano. Incluso hace tan solo un año, las tareas sencillas que podía gestionar eran, por ejemplo, recuperar información de una base de datos o proporcionar un enlace para ayudar a un cliente a reinstalar el software de su iPhone. 

Pero los agentes de hoy no se limitan a proporcionar esos enlaces; los resumen y ofrecen instrucciones paso a paso. 

“Lo que hemos descubierto es que hay muchas tareas, muchos tickets, muchos problemas que la generación actual de IA es capaz de resolver bastante bien, y sigue mejorando”, dijo Upadhyay. 

Su equipo ha estado trabajando con GPT-5 durante algunos meses (anteriormente la compañía usaba GPT-4o), probando varios escenarios e integraciones orientados a servicios y brindando comentarios a OpenAI antes del lanzamiento del modelo a principios de agosto . 

Un hallazgo clave: GPT-5 permite un razonamiento medio con ventanas de contexto “significativamente más largas”, lo que puede ser útil en conversaciones de múltiples turnos (diálogos que se extienden más allá de una simple pregunta-respuesta), ejecución de procedimientos paso a paso y generación de resultados estructurados a partir de entradas redactadas de manera imprecisa. 

El objetivo principal del equipo era mantener la estructura conversacional, la precisión y la eficiencia de la ventana de contexto, y Upadhyay señala que GPT-5 funciona de manera confiable incluso con cargas de tokens más altas, lo que permite interacciones de servicio automatizadas más fluidas con múltiples turnos y entradas. 

Identificó los principales casos de uso para GPT-5 : 

• Generación de respuestas de contexto largo;
• Aclaración y desambiguación de intenciones (identificar lo que quiere el usuario incluso si es vago); 
• Generación de respuestas del agente en escenarios de asistencia automática (generación de borradores de respuestas para agentes humanos);
• Compilación y ejecución de procedimientos (traducir código de alto nivel en instrucciones de bajo nivel y luego actuar en consecuencia).

Los primeros resultados han sido impresionantes. Cabe destacar que GPT-5 mostró una alta fiabilidad de ejecución: más del 95 % en procedimientos estándar, con una reducción del 30 % en fallos en flujos grandes. «Esa mejora es fundamental en un entorno empresarial», explicó Upadhyay. 

En esencia, la ejecución mide la eficacia con la que un modelo gestiona las instrucciones, explicó: cuando se le pide que haga algo, ¿lo hace directamente? ¿O hace otra cosa? ¿Le da seguimiento? ¿Simplemente se bloquea? 

Upadhyay señaló que los agentes de IA gen han sido notoriamente malos a la hora de ejecutar órdenes. “Puedes decirles: ‘Sigue estos cinco pasos’, pero como alucinan y se esfuerzan por ser creativos, no siempre siguen los cinco pasos completos”, explicó. De hecho, cuantos más pasos se le dan a un modelo, más probable es que alucine. 

Otras mejoras notables con GPT-5 incluyen: 

• Menos escaladas de emergencia: Reducción de más del 20 %. “Lo que significa que pudo resolver un 20 % más de problemas que el modelo anterior”, afirmó Upadhyay. “Eso supone un gran avance en nuestro mundo”.
• Mayor velocidad: entre un 25 y un 30 % más rápida en general y compatible con entre 3 y 4 iteraciones más de indicaciones por minuto.
• Mejor capacidad para manejar la ambigüedad y aclarar las aportaciones de los clientes, lo que permite una mayor cobertura de los flujos automatizados en más del 65% de las conversaciones. 
• Respuestas más completas con menos detalles omitidos, lo que reduce las transferencias de agentes.
• Mantener la estructura en flujos de trabajo largos y adaptarse a la “complejidad del servicio del mundo real” sin perder el contexto.
• Asistencia de mayor calidad: un aumento de 5 puntos en la precisión de las sugerencias del agente en cuatro idiomas, lo que proporciona respuestas más concisas y contextualmente relevantes alineadas con las pautas de tono. 

Estas mejoras son fundamentales para Zendesk, señala Upadhyay, ya que la compañía ha introducido precios basados ​​en resultados, lo que significa que solo se le paga cuando realmente resuelve un problema utilizando IA. 

“Cuantos más flujos de trabajo de este tipo pueda gestionar un agente de IA por sí solo, más valioso será para nuestros clientes”, afirmó. 

Un riguroso proceso de evaluación

Zendesk adopta un enfoque modular para la IA: GPT-5 gestiona la conversación entre el agente autónomo y el agente humano, operando en conjunto con un flujo de trabajo de clasificación y razonamiento de intenciones. Otros modelos en la combinación incluyen Claude de Anthropic, Gemini de Google y Llama de Meta. 

“Siempre trabajamos con una colección de modelos”, dijo Upadhyay. “Los probamos y elegimos el que mejor se adapta a cada tarea, considerando la relación entre rendimiento y coste”. 

Al evaluar nuevos modelos, su equipo no busca resultados de referencia, sino comprobar si el modelo ofrece resultados tangibles y precisos. Su proceso, perfeccionado al detalle, les permite implementar nuevos modelos en menos de 24 horas y se basa en un marco de evaluación de cinco factores: 

• Precisión: ¿Puede el modelo devolver respuestas precisas y completas basadas en fuentes confiables, como artículos del centro de ayuda?
• Resolución automatizada: ¿Aumenta el porcentaje de problemas resueltos automáticamente sin intervención humana?
• Ejecución: ¿Puede seguir flujos de trabajo estructurados con alta fidelidad?
• Latencia: ¿Responde con la suficiente rapidez en entornos de soporte en vivo? 
• Seguridad: ¿Evita las alucinaciones y sólo actúa cuando tiene confianza? 

Como señaló Upadhyay: “Necesitan protección para no hacer estupideces”. 

Las sólidas barreras operativas incluyen observabilidad en tiempo real con registro estructurado del comportamiento del agente; enrutamiento previo de la capa de intención (enrutamiento basado en la intención en lugar de simplemente reenviar información) para reducir el riesgo y mejorar la claridad; gobernanza activada para evitar respuestas fuera de la política; y protocolos que, de manera predeterminada, recurren a una escalada segura o a la participación del agente. 

“Tratamos el modelo como una herramienta no determinista dentro de un sistema controlado, no como un sistema independiente para la toma de decisiones”, afirmó Upadhyay. “Eso nos permite implementarlo en entornos empresariales”.

Los agentes de IA y los agentes humanos deben recibir la misma formación

En última instancia, los agentes de IA deben ser tratados igual que los agentes humanos, enfatiza Upadhyay: deben ser entrenados y gestionados regularmente, y se les debe enseñar cómo actuar de una manera que se alinee con la misión de la empresa.  

“Son inexpertos, son inteligentes, pero hay que enseñarles a desenvolverse en un entorno completamente nuevo, como un pasante o un ser humano que consigue un nuevo trabajo”, afirmó Upadhyay. 

Esto se debe a que los modelos preconfigurados son de propósito general y se entrenan con un gran volumen de datos de internet. A menudo, nunca han visto datos dentro de una empresa en particular; no han visto cómo se ve un ticket de soporte ni una llamada de ventas. 

El enfoque de Zendesk consiste en mapear la información vaga en acciones claras, sintetizar las respuestas y ejecutar flujos de trabajo de varios pasos. El equipo de Upadhyay utiliza un banco de pruebas interno, iterando ejemplos y utilizando gráficos de conocimiento y generadores de acciones para que los modelos puedan actuar. 

“Restablecemos todos los datos que ya están disponibles, luego ejecutamos los modelos sobre ellos y continuamos modificando el proceso hasta que podamos hacerlo correctamente”, explicó. 

En producción, las capas incluyen un agente de control de calidad (QA) que supervisa cada conversación y un agente de análisis. “Como un coach, realiza una evaluación: ‘¿Fue una buena interacción o no?’”, explicó Upadhyay. “Esa determinación se utiliza para mejorar el rendimiento de los agentes humanos y de IA”. 

Como empresa de 18 años con 100.000 clientes y operaciones en casi 150 países, Zendesk tiene una increíble cantidad de datos a su disposición. 

“Con el tiempo, hemos atendido todas las solicitudes de soporte posibles, en todos los sectores”, dijo Upadhyay. “Podemos optimizar al máximo los modelos preconfigurados según el sector o el lenguaje del que hablemos”.

Estos datos pueden ayudar a los modelos a comprender cómo se ve una buena resolución o qué podría haber hecho mejor un agente humano en una situación específica. La IA se prueba y se compara con circunstancias idénticas dirigidas por humanos; es un proceso continuo de entrenamiento, ajuste y refinamiento de las respuestas para reducir las tasas de alucinaciones y mejorar el seguimiento de instrucciones. 

La precisión es fundamental en entornos empresariales, enfatizó Upadhyay. “Si aciertas el 90 % de las veces en un entorno de consumo, la gente queda muy impresionada”, dijo. “En un entorno empresarial, con el tiempo, hay que alcanzar una precisión del 99 %, o incluso mejor”. 

De la recuperación de conocimientos al razonamiento y a los humanos con superpoderes.

Lo que diferencia a GPT-5 de otros modelos más nuevos es su capacidad de razonar y responder preguntas, no sólo recuperar datos y generar contenido, señaló Upadhyay. 

“Los agentes de IA han superado una barrera que les permite resolver problemas más complejos con mucha facilidad gracias a su capacidad de razonamiento”, afirmó. “Pueden usar información, a menudo procedente de múltiples fuentes, y ofrecer una respuesta coherente”. 

Por ejemplo, supongamos que un cliente compró un mueble en línea y desea devolverlo. El proceso puede requerir una serie de pasos complejos: el agente primero debe determinar que es el comprador original extrayendo datos del sistema de gestión de relaciones con el cliente (CRM); luego, debe realizar una validación cruzada con la plataforma de gestión de pedidos, consultar la documentación de la política de devoluciones, determinar si la devolución es válida, solicitar un crédito o reembolso y gestionar la devolución del artículo. 

Los modelos de razonamiento pueden abordar ese proceso de varios pasos y han demostrado una mejora significativa en los casos en que pueden tomar medidas, afirmó Upadhyay. “El agente puede decidir que usted es elegible para una devolución, pero también tomar medidas para que pueda realizarla”, señaló. “Ese es el siguiente nivel, y en eso nos encontramos hoy”. 

Zendesk cree firmemente en los agentes autónomos de IA, afirmó. Aun así, el futuro de la empresa será una combinación de IA con agentes y humanos con superpoderes, asistidos por agentes de IA copilotados. Además, los roles humanos evolucionarán no solo para resolver problemas, sino para ser excelentes supervisores de IA.

“Es una gran oportunidad, ya que creará una categoría de empleos completamente nueva, roles de alto valor, con un profundo conocimiento del producto y la resolución de problemas, pero también una excelente gestión”, dijo Upadhyay. “Eso supondrá una transformación radical del soporte técnico”. 

Fuente.

VentureBeat (2025, 08 de septiembre). Zendesk informa una respuesta un 30% más rápida y un 95% de confiabilidad después de la integración de GPT-5. Recuperado el 09 de septiembre de 2025, de: https://venturebeat.com/ai/zendesk-reports-30-faster-response-95-reliability-after-gpt-5-integration

Google Cloud presentó “Gemini for Government”, una plataforma de Inteligencia Artificial (IA) diseñada específicamente para apoyar la transformación digital del gobierno de Estados Unidos.

La iniciativa se desarrolla en alianza con la General Services Administration (GSA) y en línea con el AI Action Plan de la Casa Blanca, que busca acelerar la adopción de IA de manera segura y responsable en el sector público.

El nuevo servicio ofrece un ecosistema completo de herramientas de IA Generativa, que incluye búsqueda empresarial avanzada, generación de video e imágenes, el entorno de trabajo NotebookLM y agentes de IA preconfigurados para investigación, creación de contenido y análisis de datos. Además, los funcionarios podrán crear y personalizar sus propios agentes, adaptándolos a las necesidades particulares de cada agencia.

Google destacó que uno de los aspectos diferenciales de sus servicio será el costo aún más accesible que otros servicios, “inferior a 50 centavos de dólar por agencia al año, con el objetivo de democratizar la adopción de estas tecnologías en oficinas de todos los tamaños”.

En materia de seguridad, Gemini for Government cuenta con la certificación FedRAMP High, requisito clave para servicios en la Nube utilizados por el gobierno federal, además de estándares como SOC2 Tipo 2.

“Las interacciones estarán protegidas por controles de identidad, gestión de accesos y estrictos esquemas de privacidad de datos”, detalló la compañía.

Otro de los pilares de la plataforma es la flexibilidad: las agencias podrán acceder a una galería de Agentes de IA desarrollados por Google, terceros o incluso creados internamente, e integrar modelos a través de Vertex AI para ajustarlos a necesidades específicas.

El lanzamiento se enmarca en la estrategia “OneGov” de Estados Unidos, que busca modernizar los procesos de adquisición tecnológica con precios transparentes y soluciones escalables. Con este movimiento, Google se suma a la carrera por conquistar el mercado gubernamental, donde compite con otros gigantes tecnológicos como Amazon y Microsoft.

Fuente.

DPL News (2025, 27 de agosto). Google lanza Gemini for Government. Recuperado el 08 de septiembre de 2025, de: https://dplnews.com/google-lanza-gemini-for-government/

Buenos Aires, Argentina. Las empresas de telecomunicaciones revisan con lupa sus acciones en un escenario de constante innovación y que, por las inversiones necesarias y la feroz competencia, no permite pasos en falso. En este contexto, y aún con riesgos asociados, la Inteligencia Artificial(IA) se presenta como un aliado obligado para ganar eficiencia y generar nuevos negocios. El Fiber Connect Latam 2025 fue escenario del debate.

Las telcos se enfrentan al desafío de estar en constante innovación por mayores expectativas de los usuarios, más demanda de servicios, crecimiento de redes y la necesidad de encontrar nuevas fuentes de ingresos. La IA puede ser la respuesta a algunas de las preguntas que tienen los protagonistas del sector, pero deben entender que no opera sola. “No hay IA sin datos. No se puede ser turista en el mundo IA y no se trata de hacer un roadmap, sino que los planes de negocio incluyan la tecnología por sus virtudes”, inició Cristian Lucchesi, Telecom & Media Industry Advisor de Google Cloud Latin America.

Las empresas se animan al desafío. “68% de las telco tienen productivos casos de IA y la mitad de ellos los desplegó hace más de un año”, reveló el ejecutivo y agregó que, al mismo tiempo, está bajando el time to market de productos asociados: más del 86% de las empresas tomaron menos de seis meses desde el proceso de ideación hasta la puesta en producción. ¿En qué se utiliza? Principalmente para atención al cliente, back-office y mayor eficiencia.

Lucchesi añadió que las firmas observan a la IA como aliado ideal principalmente para modernizar la red, garantizando la confiabilidad del servicio, mayor escalabilidad y rendimiento; acelerar la eficiencia, con cambios favorables en aspectos como operaciones en terreno y productividad de la fuerza laboral; mejorar la experiencia del cliente; y nuevas formas de monetización. En este camino, el sector debe aprovechar sus virtudes, tales como la capacidad de su red y la experiencia en “generar ecosistema de partners”, cerró.

Luego, en un panel en el que se discutieron oportunidades de negocio en clave IA, Alejandro Girardotti, de Cirion, marcó que “el impacto (de IA) es grande y la idea es que sea mayor: dispara necesidades en todos los ámbitos desde el punto de vista de la conectividad y a eso se le agrega la latencia como factor relevante para alguno de los casos. Hay que estar listo en varios niveles, también en aspectos adicionales como energía”, marcó.

Para Gerardo Renzetti, CTO de Arsat, la Inteligencia Artificial presenta virtudes como la eficiencia y mejoras en la gestión de tráfico pero, al mismo tiempo, “empuja a los operadores a una renovación constante de tecnología y, en este punto, hay que revisar también cuál y cómo es el retorno de la inversión”. Indicó que “agregar valor con IA no debe ser igual a cambiar el concepto que tienen las compañías” y destacó la importancia de diferenciar automatización de IA.

“Avanzamos con IA en lo que respecta a la atención al cliente, para la automatización de procesos. En cuanto a las redes, es algo en lo que recién entramos, porque hay que hacer muchos cambios para que funcione. Entendemos que es una tecnología que tenemos que abrazar”, valoró Luis Quinelli, presidente de SION. Coincidió al cierre con Miguel Zehnder, de Alvis, y con el resto de los oradores en que la aplicación de IA será útil para lograr eficiencia, un factor clave para un sector ávido de agilizar procesos para la reducción de costos.

 

Fuente.

DPL News(2025, 05 de agosto). IA en telecomunicaciones: clave para la eficiencia y nuevos negocios. Recuperado el 10 de agosto de 2025, de: https://dplnews.com/ia-en-telecomunicaciones-eficiencia-nuevos-negocios/

NTT Data presentó sus desarrollos más avanzados en IA: agentes sintéticos y robótica, mostrando cómo estas tecnologías están redefiniendo la forma en que trabajamos, nos comunicamos y coexistimos con las máquinas.

La Inteligencia Artificial (IA) ya no es simplemente una herramienta para automatizar tareas o responder preguntas. Para NTT Data, los agentes inteligentes con mayor autonomía están marcando el inicio de una nueva era en el trabajo colaborativo.

En su conferencia The Future Uncovered, la compañía japonesa destacó que la IA ya no se trata sólo de interacciones texto a texto o asistentes virtuales limitados: ahora se desarrollan entidades capaces de razonar, coordinarse, ejecutar tareas complejas y aprender de su entorno.

Como ejemplo, uno de los desarrollos más llamativos de NTT Data es Rita, una agente de Inteligencia Artificial que puede conversar de forma natural en varios idiomas, observar su entorno, imaginar escenarios, generar imágenes y responder en tiempo real.

Su capacidad para interrumpir y ser interrumpida, al igual que un humano en una conversación, es un ejemplo del alto nivel de sofisticación alcanzado, afirmó Xavier Colomer, jefe de Inteligencia Artificial DTI en NTT Data.

Pero el gran salto conceptual presentado por la compañía fue el de los agentes colaborativos. Estas IAs trabajan en conjunto como un equipo humano distribuido: un agente puede encargarse de la ortografía, otro de la estructura narrativa y otro de la coherencia temática, todos dirigidos por un “agente manager” que coordina el flujo de trabajo.

Ya no se trata de un solo modelo haciendo todo, sino de varios agentes especializados que cooperan para alcanzar un objetivo común, explicó Víctor Leon Marambio, jefe de Innovación Tecnológica Digital y director de Tecnología de la empresa.

Personas sintéticas: networking automatizado

Durante el Mobile World Congress 2025, NTT Data desplegó Synthetic Affairs, una plataforma donde los visitantes podían crear un clon digital basado en su perfil profesional.

Estos “humanos sintéticos” realizaron networking de forma autónoma, visitaron stands, conversaron con otros avatares y generaron más de 20 mil interacciones útiles. Al final del día, los usuarios reales recibían una lista personalizada de contactos y leads que probablemente no habrían conseguido por cuenta propia.

Los ejecutivos resaltaron que esta dinámica también puede aplicarse a eventos, marketing, testing de campañas o incluso selección de personal, lo cual refleja una transformación profunda del rol humano: ya no es únicamente quien opera las herramientas, sino quien la dota de propósito y supervisión.

De la pantalla al mundo físico

Otro punto destacado de la conferencia fue la presentación de Pixel, un robot cuadrúpedo con IA integrada ―parecido en forma a un perro― capaz de mapear entornos tridimensionales, evitar obstáculos, manipular objetos y funcionar incluso sin conexión a la Nube.

Diseñado para tareas en entornos de riesgo como minas o zonas de desastre, este desarrollo demuestra cómo la Inteligencia Artificial también está extendiendo las capacidades físicas, no sólo las cognitivas.

Según NTT Data, en el horizonte los humanoides también cobrarán protagonismo, al estar adaptados a moverse en entornos construidos para humanos —con puertas, manivelas o escaleras—, lo que amplía su aplicabilidad en sectores como la industria, la salud o la logística.

Nuevos dilemas, nuevas habilidades

Si bien las oportunidades que abren estas tecnologías son inmensas, NTT Data subrayó los retos que implican: ética, veracidad de la información, seguridad y sostenibilidad.

La posibilidad de crear clones digitales, la mayor autonomía de los agentes y la generación de contenidos hiperrealistas hacen urgente establecer límites éticos, salvaguardas técnicas y formación masiva para prevenir riesgos o usos inadecuados.

“La IA no tiene conciencia, pero sí genera resultados en función del contexto y los datos que le damos. Si los insumos tienen mala intención, las respuestas también lo tendrán”, advirtió Xavier Colomer.La clave, de acuerdo con los especialistas, está en combinar la autonomía de las máquinas con la supervisión y el juicio humano, bajo el principio del “humano aumentado”.

Fuente:

DPL News (2025, 24 de julio). Agentes autónomos: el futuro del trabajo colaborativo ya está aquí, según NTT Data. Recuperado el 30 de julio de 2025, de: https://dplnews.com/agentes-autonomos-el-futuro-del-trabajo-colaborativo-ya-esta-aqui-segun-ntt-data/

Los organizadores del concurso advirtieron que no pudieron verificar cuánta potencia informática habían utilizado los modelos de IA.

Los humanos vencieron a los modelos de Inteligencia artificial creados por Google y OpenAI en una importante competencia internacional de matemáticas, a pesar de que los programas alcanzaron puntajes de nivel oro por primera vez.

Ninguno de los modelos obtuvo la máxima puntuación, en cambio, cinco jóvenes lograron puntuaciones perfectas en la Olimpiada Internacional de Matemáticas (OMI), una prestigiosa competición anual en la que los participantes deben tener menos de 20 años.

Los organizadores del concurso advirtieron que no pudieron verificar cuánta potencia informática habían utilizado los modelos de IA o si hubo participación humana.

Google dijo el lunes que una versión avanzada de su chatbot Gemini había resuelto cinco de los seis problemas matemáticos planteados en la OMI, celebrada este mes en Queensland, Australia.

“Podemos confirmar que Google DeepMind alcanzó la tan deseada meta, obtuvo un puntaje de 35 sobre 42 puntos, un marcador de medalla de oro”, dijo el gigante tecnológico estadounidense citando al presidente de la OMI, Gregor Dolinar.

“Sus soluciones fueron sorprendentes en muchos aspectos. Los evaluadores de IMO las encontraron claras, precisas y la mayoría fáciles de seguir”.

Alrededor del 10% de los concursantes humanos ganaron medallas de oro y cinco recibieron puntuaciones perfectas de 42 puntos.

OpenIA, el fabricante estadounidense de ChatGPT, dijo que su modelo de razonamiento experimental también obtuvo un nivel de oro, con 35 puntos en la prueba.

“Evaluamos nuestros modelos con los problemas de la OMI de 2025, bajo las mismas reglas que los concursantes humanos”, dijo en las redes sociales el investigador de OpenIA Alexander Wei.

“Para cada problema, tres ex medallistas de la OMI calificaron de forma independiente las respuestas que presentaron los modelos”, agregó Wei.

Fuente.

El Economista (2025, 26 de julio). Humanos superaron la puntuación de oro de la IA en el principal concurso de matemáticas. Recuperado el 29 de julio de 2025, de: https://www.eleconomista.com.mx/tecnologia/humanos-superaron-puntuacion-oro-ia-principal-concurso-matematicas-20250726-769528.html

 

Un equipo de investigadores de instituciones líderes, entre ellas la Universidad Jiao Tong de Shanghai y la Universidad de Zhejiang, ha desarrollado lo que denominan el primer «sistema operativo de memoria» para inteligencia artificial, abordando una limitación fundamental que ha impedido que los sistemas de IA logren una memoria y un aprendizaje persistentes similares a los humanos.

El sistema, llamado MemOS , trata la memoria como un recurso computacional central que puede programarse, compartirse y evolucionar con el tiempo, de forma similar a cómo los sistemas operativos tradicionales gestionan los recursos de CPU y almacenamiento. La investigación, publicada el 4 de julio en arXiv , demuestra mejoras significativas de rendimiento con respecto a los enfoques existentes, incluyendo un aumento del 159 % en las tareas de razonamiento temporal en comparación con los sistemas de memoria de OpenAI.

“Los modelos de lenguaje grande (LLM) se han convertido en una infraestructura esencial para la inteligencia artificial general (AGI), pero su falta de sistemas de gestión de memoria bien definidos obstaculiza el desarrollo del razonamiento de contexto largo, la personalización continua y la consistencia del conocimiento”, escriben los investigadores en su artículo .

Los sistemas de IA tienen dificultades con la memoria persistente en las conversaciones

Los sistemas de IA actuales se enfrentan a lo que los investigadores denominan el problema del ” silo de memoria “: una limitación arquitectónica fundamental que les impide mantener relaciones coherentes y duraderas con los usuarios. Cada conversación o sesión comienza prácticamente desde cero, y los modelos no pueden retener preferencias, conocimiento acumulado ni patrones de comportamiento en las interacciones. Esto genera una experiencia de usuario frustrante, ya que un asistente de IA podría olvidar las restricciones dietéticas del usuario mencionadas en una conversación al preguntarle sobre recomendaciones de restaurantes en la siguiente.

Si bien algunas soluciones, como la Generación Aumentada por Recuperación (RAG), intentan abordar este problema incorporando información externa durante las conversaciones, los investigadores argumentan que estas siguen siendo soluciones alternativas sin estado y sin control del ciclo de vida. El problema va más allá de la simple recuperación de información: se trata de crear sistemas que realmente puedan aprender y evolucionar a partir de la experiencia, de forma similar a la memoria humana.

“Los modelos existentes se basan principalmente en parámetros estáticos y estados contextuales de corta duración, lo que limita su capacidad para rastrear las preferencias del usuario o actualizar la información durante periodos prolongados”, explica el equipo. Esta limitación se hace especialmente evidente en entornos empresariales, donde se espera que los sistemas de IA mantengan el contexto en flujos de trabajo complejos y de múltiples etapas que pueden durar días o semanas.

El nuevo sistema ofrece mejoras espectaculares en las tareas de razonamiento de IA

MemOS introduce un enfoque fundamentalmente diferente mediante lo que los investigadores denominan ” MemCubes “: unidades de memoria estandarizadas que pueden encapsular diferentes tipos de información y ser compuestas, migradas y evolucionadas con el tiempo. Estas abarcan desde conocimiento explícito basado en texto hasta adaptaciones a nivel de parámetros y estados de activación dentro del modelo, creando un marco unificado para la gestión de la memoria que antes no existía.

En las pruebas realizadas con el benchmark LOCOMO , que evalúa tareas de razonamiento con uso intensivo de memoria, MemOS superó consistentemente los parámetros de referencia establecidos en todas las categorías. El sistema logró una mejora general del 38,98 % en comparación con la implementación de memoria de OpenAI, con mejoras especialmente significativas en escenarios de razonamiento complejos que requieren conectar información en múltiples turnos de conversación.

Según la investigación, MemOS (MemOS-0630) se mantiene en el primer puesto en todas las categorías, superando a sistemas de referencia robustos como mem0, LangMem, Zep y OpenAI-Memory, con márgenes especialmente amplios en entornos complejos como el multisalto y el razonamiento temporal. El sistema también ofreció mejoras sustanciales en la eficiencia, con una reducción de hasta el 94 % en la latencia del tiempo hasta el primer token en ciertas configuraciones gracias a su innovador mecanismo de inyección de memoria caché KV.

Estas mejoras de rendimiento sugieren que el cuello de botella de la memoria ha sido una limitación más significativa de lo que se creía. Al considerar la memoria como un recurso computacional de primera clase, MemOS parece liberar capacidades de razonamiento que antes estaban limitadas por limitaciones arquitectónicas.

La tecnología podría transformar la forma en que las empresas implementan la inteligencia artificial

Las implicaciones para la implementación de IA empresarial podrían ser transformadoras, especialmente a medida que las empresas dependen cada vez más de los sistemas de IA para mantener relaciones complejas y continuas con clientes y empleados. MemOS permite lo que los investigadores describen como « migración de memoria multiplataforma », lo que permite que las memorias de IA sean portátiles entre diferentes plataformas y dispositivos, eliminando así lo que denominan « islas de memoria » que actualmente retienen el contexto del usuario en aplicaciones específicas.

Considere la frustración actual que experimentan muchos usuarios cuando la información explorada en una plataforma de IA no se puede transferir a otra. Un equipo de marketing podría desarrollar perfiles de clientes detallados mediante conversaciones con ChatGPT, solo para empezar de cero al cambiar a otra herramienta de IA para la planificación de campañas. MemOS aborda esto creando un formato de memoria estandarizado que puede transferirse entre sistemas.

La investigación también describe el potencial de los módulos de memoria de pago , donde los expertos en la materia podrían agrupar sus conocimientos en unidades de memoria adquiribles. Los investigadores visualizan escenarios en los que un estudiante de medicina en prácticas clínicas podría querer estudiar el manejo de una enfermedad autoinmune poco común. Un médico experimentado podría encapsular heurísticas diagnósticas, rutas de interrogatorio y patrones de casos típicos en una memoria estructurada que otros sistemas de IA podrían instalar y utilizar.

Este modelo de mercado podría transformar radicalmente la forma en que se distribuye y monetiza el conocimiento especializado en los sistemas de IA, creando nuevas oportunidades económicas para los expertos y democratizando el acceso a conocimiento especializado de alta calidad. Para las empresas, esto podría significar la rápida implementación de sistemas de IA con amplia experiencia en áreas específicas, sin los costos ni los plazos tradicionales asociados con la capacitación personalizada.

El diseño de tres capas refleja los sistemas operativos informáticos tradicionales

La arquitectura técnica de MemOS refleja décadas de aprendizaje en el diseño de sistemas operativos tradicionales, adaptada a los desafíos únicos de la gestión de memoria de IA. El sistema emplea una arquitectura de tres capas: una capa de interfaz para las llamadas a la API, una capa de operación para la programación de la memoria y la gestión del ciclo de vida, y una capa de infraestructura para el almacenamiento y la gobernanza.

El componente MemScheduler del sistema gestiona dinámicamente diferentes tipos de memoria, desde estados de activación temporales hasta modificaciones permanentes de parámetros, seleccionando estrategias óptimas de almacenamiento y recuperación según los patrones de uso y los requisitos de las tareas. Esto representa una diferencia significativa con respecto a los enfoques actuales, que suelen tratar la memoria como completamente estática (integrada en los parámetros del modelo) o completamente efímera (limitada al contexto de la conversación).

“El enfoque se desplaza de la cantidad de conocimiento que el modelo aprende una vez a su capacidad para transformar la experiencia en memoria estructurada y recuperarla y reconstruirla repetidamente”, señalan los investigadores, describiendo su visión de lo que denominan paradigmas de “ entrenamiento de memoria ”. Esta filosofía arquitectónica sugiere un replanteamiento fundamental del diseño de los sistemas de IA, alejándose del paradigma actual de preentrenamiento masivo hacia un aprendizaje más dinámico, basado en la experiencia.

Los paralelismos con el desarrollo de sistemas operativos son sorprendentes. Así como las primeras computadoras requerían que los programadores gestionaran manualmente la asignación de memoria, los sistemas de IA actuales exigen que los desarrolladores organicen cuidadosamente el flujo de información entre los diferentes componentes. MemOS simplifica esta complejidad, lo que podría permitir una nueva generación de aplicaciones de IA que pueden desarrollarse sobre una sofisticada gestión de memoria sin necesidad de conocimientos técnicos profundos.

Los investigadores publican el código como código abierto para acelerar la adopción

El equipo ha lanzado MemOS como un proyecto de código abierto, con el código completo disponible en GitHub y compatibilidad con las principales plataformas de IA, como HuggingFace, OpenAI y Ollama. Esta estrategia de código abierto parece diseñada para acelerar la adopción y fomentar el desarrollo comunitario, en lugar de adoptar un enfoque propietario que podría limitar su implementación generalizada.

“Esperamos que MemOS ayude a que los sistemas de IA avancen, pasando de generadores estáticos a agentes basados ​​en memoria en constante evolución”, comentó Zhiyu Li, líder del proyecto, en el repositorio de GitHub. El sistema actualmente es compatible con plataformas Linux, y está previsto que sea compatible con Windows y macOS, lo que sugiere que el equipo prioriza la adopción por parte de empresas y desarrolladores sobre la accesibilidad inmediata para el consumidor.

La estrategia de lanzamiento de código abierto refleja una tendencia más amplia en la investigación de IA, donde las mejoras fundamentales de la infraestructura se comparten abiertamente para beneficiar a todo el ecosistema. Este enfoque ha acelerado históricamente la innovación en áreas como los marcos de aprendizaje profundo y podría tener efectos similares para la gestión de memoria en sistemas de IA.

Los gigantes tecnológicos compiten por resolver las limitaciones de memoria de la IA

La investigación llega en un momento en que las principales empresas de IA se enfrentan a las limitaciones de los enfoques actuales de memoria, lo que pone de relieve la importancia fundamental que este desafío ha adquirido para la industria. OpenAI introdujo recientemente funciones de memoria para ChatGPT , mientras que Anthropic , Google y otros proveedores han experimentado con diversas formas de contexto persistente. Sin embargo, estas implementaciones han tenido, por lo general, un alcance limitado y, a menudo, carecen del enfoque sistemático que ofrece MemOS .

El momento de esta investigación sugiere que la gestión de la memoria se ha convertido en un campo de batalla competitivo crucial en el desarrollo de la IA. Las empresas que puedan resolver eficazmente el problema de la memoria podrían obtener ventajas significativas en la retención y satisfacción de los usuarios, ya que sus sistemas de IA podrán construir relaciones más profundas y útiles con el tiempo.

Los analistas de la industria llevan tiempo prediciendo que el próximo gran avance en IA no provendría necesariamente de modelos más grandes ni de más datos de entrenamiento, sino de innovaciones arquitectónicas que imiten mejor las capacidades cognitivas humanas. La gestión de memoria representa precisamente este tipo de avance fundamental, que podría abrir camino a nuevas aplicaciones y casos de uso inviables con los sistemas actuales sin estado.

Este desarrollo forma parte de un cambio más amplio en la investigación de IA hacia sistemas con mayor capacidad de estado y persistentes que puedan acumular y desarrollar conocimiento con el tiempo, capacidades consideradas esenciales para la inteligencia artificial general. Para los líderes de tecnología empresarial que evalúan implementaciones de IA, MemOS podría representar un avance significativo en la creación de sistemas de IA que mantengan el contexto y mejoren con el tiempo, en lugar de tratar cada interacción de forma aislada.

El equipo de investigación indica que planea explorar el intercambio de memoria entre modelos, los bloques de memoria autoevolutivos y el desarrollo de un ecosistema más amplio de “mercado de memoria” en trabajos futuros. Pero quizás el impacto más significativo de MemOS no sea su implementación técnica específica, sino la prueba de que tratar la memoria como un recurso computacional de primera clase puede generar mejoras significativas en las capacidades de IA. En una industria que se ha centrado principalmente en escalar el tamaño de los modelos y los datos de entrenamiento, MemOS sugiere que el próximo avance podría provenir de una mejor arquitectura, en lugar de computadoras más grandes.

Fuente.

VentureBeat (2025, 08 de julio).

Investigadores chinos presentan MemOS, el primer ‘sistema operativo de memoria’ que proporciona a la IA una memoria similar a la humana. Recuperado el 09 de julio de 2025, de: https://venturebeat.com/ai/chinese-researchers-unveil-memos-the-first-memory-operating-system-that-gives-ai-human-like-recall/

Esta herramienta, que aún no está disponible para todos los usuarios, actúa como un tutor personalizado, guiando paso a paso a los usuarios en distintas materias.

Como parte de una actualización experimental, OpenAI puso a disposición la función llamada “Estudiar Juntos” (Study with Me) en ChatGPT, con la que el chatbot funciona no sólo como un asistente conversacional, sino como un compañero de estudio diseñado para acompañar el aprendizaje de estudiantes de todos los niveles.

Al hacer clic en “Estudiar Juntos”, ChatGPT introduce al usuario a un modo de estudio personalizado e interactivo. Los usuarios pueden escribir: “Ayúdame a estudiar álgebra” o “Enséñame historia de América Latina”, y el sistema automáticamente construye una ruta de aprendizaje que puede incluir explicaciones, ejemplos, pruebas cortas, retroalimentación inmediata y ejercicios prácticos.

“Esta herramienta, además de ofrecer información estática o resúmenes rápidos, funciona como un tutor adaptativo. Primero, evalúa el conocimiento del usuario sobre un tema determinado. A partir de allí, ajusta el nivel de dificultad, sugiere recursos complementarios y acompaña paso a paso el proceso de estudio. La experiencia se asemeja a tener un profesor particular disponible 24/7, capaz de explicar conceptos complejos con claridad, reforzar áreas débiles y hasta generar simulacros de exámenes”, explicó ChatGPT sobre esta herramienta.

De acuerdo con los reportes de algunos usuarios, la función “Estudiar Juntos” aparece en el menú de herramientas de ChatGPT junto con la generación de imágenes, la escritura de código o la creación de presentaciones.

Algunas filtraciones sugieren que, en el futuro, podría permitir estudiar de forma sincrónica con otros usuarios, en salas virtuales, simulando grupos de estudio. Aunque esta opción todavía no está habilitada.

“Estudiar Juntos” aún no está disponible para todos los usuarios. Por el momento, sólo es utilizada por un grupo reducido de usuarios que utilizan versiones avanzadas del modelo GPT-4 (específicamente, una versión denominada GPT-4 mini high), lo que indica que la función se encuentra en una etapa inicial de prueba.

Hasta ahora, OpenAI no ha confirmado si “Estudiar Juntos” será parte de su versión gratuita, si estará limitada a usuarios del plan Plus o si será una funcionalidad dirigida al sector educativo, posiblemente bajo el plan ChatGPT Edu anunciado recientemente.

Fuente.

DPL News (2025, 09 de julio). ChatGPT está probando una nueva y misteriosa función llamada “estudiar juntos”. Recuperado el 09 de julio de 2025, de: https://dplnews.com/chatgpt-esta-probando-una-nueva-y-misteriosa-funcion-llamada-estudiar-juntos/

Ciudad de México. Mientras se desarrolla una regulación específica sobre la Inteligencia Artificial (IA) en México, han emergido modelos de autorregulación y corregulación que allanan el camino hacia su implementación responsable en las organizaciones, coincidieron NYCE y BP Gurus, durante la presentación del estudio Perspectivas sobre el estado de la Inteligencia Artificial en Latinoamérica: Oportunidades, Riesgos y el Papel de la ISO/IEC 42001.

Ante los dos modelos extremos regulatorios que imperan en la actualidad, el europeo restrictivo y el más abierto estadounidense, “lo mejor es un modelo de corregulación en donde la ley establece básicamente los abusos”, expuso Pablo Corona, director global de Ventas de NYCE.

3 requisitos para una regulación de la IA

Para Corona, es necesario adoptar una “visión de riesgos”; este es uno de los tres elementos clave de la regulación sobre IA. El presidente de la Asociación de Internet MX explica este enfoque con una analogía de una gradación del transporte que incluye a la bicicleta, la motocicleta, el automóvil, el autobús, el avión y un submarino nuclear.

“Habría que entender que hay inteligencias artificiales de tamaño bicicleta, de tamaño moto, de tamaño auto, de tamaño autobús, de tamaño avión o de tamaño bomba nuclear y entonces entender cómo ponerle restricciones a los niveles de riesgo que tiene cada una de ellas”, respondió consultado por DPL News sobre cuál sería el mejor modelo que América Latina podría adoptar.

“La segunda clave es que hay un modelo de transparencia, explicabilidad y condiciones para que pudieran revocarse los datos con los que se entrenó una Inteligencia Artificial, y la tercera tiene que ver con la autorregulación”, complementó Corona, quien concluyó que, por lo tanto, los usos deberían estar autorregulados por la industria y ser explicables, modificables y auditables con transparencia.

El riesgo de ampliar la brecha

La adopción de la IA se produce en un contexto de desigualdad estructural, limitación de capacidades institucionales y agendas regulatorias incipientes.

Según la Unión Internacional de Telecomunicaciones (UIT), 35% de la población rural en América Latina aún no tiene acceso regular a Internet. “Comenzamos con una brecha digital. La Inteligencia Artificial, desde esta perspectiva, nos está trayendo riesgos y desigualdad”, advirtió Ariana Bucio, directora de Operaciones (COO) de BP Gurus, durante la presentación.

“El reto más grande que tenemos como región es cerrar esta brecha, incorporar a poblaciones que no son consideradas, mujeres en la Inteligencia Artificial y promover las carreras de ciencia y tecnología, para que podamos formar talentos necesarios, porque sí tenemos en nuestra región datos, tenemos talento, pero no tenemos infraestructura”, agregó.

Adopción de IA en las organizaciones

Bucio explicó que para implementar la IA, primero es necesario establecer un objetivo y definir una problemática a resolver. “Sin un objetivo y sin una estrategia, la Inteligencia Artificial no va a funcionar. Entonces, todas las organizaciones deben comenzar con un liderazgo consciente”, aseveró.

También compartió que, en la actualidad, según el Banco Interamericano de Desarrollo (BID), 15% de las empresas en Latinoamérica ya han implementado pilotos de IA, “pero no significa que estén alineados al gobierno de la Inteligencia Artificial”. Por ello, tanto NYCE como BP Gurus promueven la creación de un nuevo rol: director de Inteligencia Artificial o Chief Artificial Intelligence Officer en inglés, que será multidisciplinario y, por lo tanto, se alimentará de diferentes perfiles.

Norma, punto intermedio

Para Pablo Corona, la norma ISO/IEC 42001, que establece los lineamientos para una gobernanza en el uso y aplicación de la Inteligencia Artificial en una organización, es el punto intermedio. Según el estudio de NYCE, “puede ser un puente entre la autorregulación tecnológica y la futura legislación regional sobre IA”.

El informe subraya la necesidad de “construir una arquitectura regulatoria gradual, flexible y orientada a resultados” y, en ese sentido, las normas internacionales ofrecen “un marco robusto, ético y aplicable que permite institucionalizar principios fundamentales de transparencia, rendición de cuentas y gestión de riesgos en el uso de la IA”.

Corona detalló que la certificación está dirigida a tres perfiles: desarrolladores de IA, prestadores de servicios y usuarios.Corona resaltó que, de acuerdo con el AI Readiness Index 2023 de Oxford Insights,  México ocupa el lugar 63 de 118 países en desarrollo de IA.

También advirtió que el problema con la Inteligencia Artificial es que es la primera herramienta generada por los seres humanos que se volvió sujeto, por lo que no existe marco jurídico, legal, social, regulatorio para controlarla y, por lo tanto, quien lo haga tendrá una ventaja social.

Fuente.

DPL News (2025, 02 de julio). Autorregulación y corregulación, alternativas para adoptar IA en México y América Latina. Recuperado el 08 de julio de 2025, de: https://dplnews.com/autorregulacion-corregulacion-adoptar-ia-mexico-latam/