Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la Inteligencia Artificial, el Big Data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Aprender la herramienta importa menos. Entender el trabajo importa más.

• Preparar a los jóvenes para la IA empieza por enseñarles a pensar con ella.

• Visualize en ChatGPT

• ¿Qué leer?/¿Qué escuchar?

  Tiempo de lectura: 10 min

📷 La imagen de la edición:

Prompt: A premium editorial illustration in 16:9 format about how artificial intelligence is simplifying professional software interfaces while increasing the importance of human understanding, judgment and validation.

Herramienta: ChatGPT

🧠 Brain Pulse:

El tema de la semana:

👀 Aprender la herramienta importa menos. Entender el trabajo importa más.

Durante décadas, saber hacer un trabajo y saber manejar sus herramientas estuvieron estrechamente unidos. Analizar información significaba aprender fórmulas y consultas; diseñar, dominar un programa; programar, conocer lenguajes y entornos. Esa relación empieza a romperse. Excel ya permite pedir análisis, gráficos o fórmulas utilizando lenguaje natural; herramientas de diseño permiten editar imágenes describiendo el cambio; y los agentes de programación pueden recibir objetivos completos y encargarse de buena parte de la ejecución. La tendencia común no es una herramienta concreta: la interfaz empieza a traducir nuestra intención en acciones.

Eso democratiza capacidades que antes exigían meses de aprendizaje. Pero también crea una situación nueva: podemos llegar al resultado sin conocer necesariamente el camino. Pedir “encuentra qué producto está perdiendo rentabilidad” es más fácil que construir el análisis manualmente. Generar una campaña es más fácil que dominar cada función del software creativo. Levantar una aplicación puede exigir menos código escrito directamente. El riesgo aparece cuando confundimos ser capaces de producir una respuesta con entender si esa respuesta tiene sentido. Microsoft, de hecho, advierte expresamente que los resultados y fórmulas generados por Copilot deben revisarse y verificarse antes de confiar en ellos.

Por eso quizá estemos asistiendo a un desplazamiento del conocimiento profesional. Pierde peso relativo el conocimiento procedimental, es decir, qué botón pulsar, qué sintaxis utilizar, qué secuencia seguir, y gana importancia el conocimiento conceptual: qué representa una métrica, qué supuestos contiene un análisis, qué distingue correlación de causalidad, qué hace que un diseño sea comprensible o qué requisitos debe cumplir realmente un sistema.

Esto es extrapolable porque ocurre cada vez que añadimos una nueva capa de abstracción. La calculadora redujo la necesidad de realizar determinadas operaciones manualmente, pero no hizo irrelevante comprender las matemáticas. Las hojas de cálculo simplificaron el cálculo financiero sin sustituir la contabilidad. Ahora el lenguaje natural se está convirtiendo en una capa de abstracción sobre gran parte del software.

Quizá la habilidad profesional más relevante en estos tiempos no sea conocer una herramienta concreta, sino poseer un modelo mental suficientemente bueno del trabajo como para cambiar de herramienta sin empezar de cero. Las interfaces seguirán simplificándose y muchas técnicas que hoy parecen especializadas terminarán ocultas detrás de una conversación. Cuando el “cómo” deja de ser la barrera, lo que queda al descubierto es cuánto entendemos realmente el “qué” y el “por qué”.

🗣️ Brain Bites:

Noticias que no te puedes perder:

— Preparar a los jóvenes para la IA empieza por enseñarles a pensar con ella.

Después de una primera etapa dominada por las prohibiciones, cada vez más escuelas están cambiando la pregunta: ya no se trata solo de si los alumnos deben usar IA, sino de cómo enseñarles a hacerlo sin dejar de pensar por sí mismos.
Associated Press contaba el 21 de agosto cómo distritos escolares de Estados Unidos, como Charleston, están formando a profesores y estudiantes para entender las posibilidades de estas herramientas, pero también sus errores, sesgos, problemas de privacidad y los momentos en los que no conviene utilizarlas. Según AP, 37 estados estadounidenses ya han publicado orientaciones sobre IA en educación.

La dirección coincide con lo que plantean organismos internacionales. En junio, la OCDE y la Comisión Europea publicaron un marco de alfabetización en IA para primaria y secundaria que la define como el conjunto de conocimientos, habilidades y actitudes necesarios para comprender cómo funcionan estos sistemas, evaluar críticamente sus resultados y utilizarlos de forma ética y creativa. La OCDE añade un matiz clave en su Digital Education Outlook 2026: hacer mejor una tarea gracias a la IA no significa necesariamente haber aprendido más. Estas herramientas favorecen el aprendizaje cuando actúan como tutores que preguntan y orientan, pero pueden perjudicarlo cuando se usan para delegar directamente el esfuerzo cognitivo.

El impacto: dentro de unos años, saber utilizar IA será tan básico como hoy saber buscar información en internet. La diferencia real estará en quién sabe distinguir una buena respuesta de una respuesta convincente pero incorrecta, quién verifica fuentes y quién entiende cuándo la herramienta ayuda a pensar y cuándo está pensando por él. Ese es el verdadero reto educativo.

Kriteria: 25% de descuento hasta el 1 de septiembre para su primera promoción

Por eso proyectos como Kriteria resultan interesantes: no parten de enseñar una herramienta concreta que puede quedarse obsoleta en meses, sino de trabajar con jóvenes de 10 a 18 años competencias que duran más que cualquier modelo: pensamiento crítico, creatividad, autonomía y criterio tecnológico.

Kriteria es un proyecto impulsado por Fundación Fair Saturday y Brain & Code para formar a jóvenes en inteligencia artificial desde una perspectiva técnica y humanista.

La inteligencia artificial ya forma parte del día a día de muchos niños y adolescentes. La utilizan para buscar información, resolver dudas, hacer trabajos, generar ideas o crear contenidos.

Pero el verdadero reto está en que aprendan a entender cómo funcionan estas herramientas, cuestionar sus respuestas, detectar errores, tomar decisiones y utilizar la tecnología sin dejar de desarrollar capacidades como el pensamiento crítico, la creatividad, la comunicación o la autonomía.

¿Cómo funciona Kriteria?

El programa comienza en octubre y se desarrolla de forma presencial en Bilbao, con una sesión semanal de 1,5 horas.

Está organizado en cuatro niveles adaptados a cada etapa educativa:

• Nivel 1: 5º y 6º de Primaria.

• Nivel 2: 1º y 2º de ESO.

• Nivel 3: 3º y 4º de ESO.

• Nivel 4: 1º y 2º de Bachillerato.

En las sesiones, los alumnos aprenderán a utilizar herramientas de inteligencia artificial, pero también a preguntar, contrastar, crear, debatir y transformar ideas en proyectos propios.

Una oportunidad para formar parte de la primera promoción de Kriteria y empezar a preparar a los jóvenes para convivir con una tecnología que va a estar cada vez más presente en su vida académica, personal y profesional.

Porque aprender IA también significa aprender a pensar.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

— Visualize en ChatGPT

En parte de esto hablamos en el artículo principal: la interfaz de las diferentes herramientas empieza a traducir nuestra intención en acciones. La actualización en la visualización de datos en ChatGPT es un buen ejemplo: podemos subir un Excel o CSV, explicar qué queremos entender y dejar que la herramienta haga buena parte del trabajo técnico necesario para llegar al gráfico.

ChatGPT con su función “Visualize” puede ayudarte a analizar los datos, realizar cálculos y generar gráficos de barras, líneas, dispersión, histogramas, mapas de calor o treemaps; también puede ayudarte a resumir textos de forma temporal, tangibilizar un concepto abstracto, entre miles de aplicaciones. Algunos son además interactivos, por lo que podemos explorar valores directamente dentro de la conversación. El ahorro de tiempo es evidente. Pero precisamente porque crear una visualización cuesta cada vez menos, la calidad del prompt y del criterio con el que interpretamos el resultado importa más.

Para sacarle partido, hay algunas buenas prácticas que merece la pena incorporar:

• Empieza por la pregunta, no por el gráfico. Mejor “¿qué productos están perdiendo margen aunque aumenten sus ventas?” que “hazme un gráfico de ventas”.

• Dale contexto sobre las columnas. Si “Revenue”, “Conversion” o “Active users” tienen una definición particular en tu empresa, explícasela. Se puede interpretar correctamente una tabla y, aun así, entender mal qué representa.

• Itera sobre la visualización. Un primer gráfico no tiene por qué ser el definitivo. Podemos pedir que elimine ruido, cambie la agrupación, compare otro periodo o utilice una representación diferente.

En resumen, “Visualize” resulta especialmente útil para explorar datos rápidamente, buscar patrones y preparar una primera lectura antes de entrar en herramientas más especializadas.

⚡ Corner:

Nuestra recomendación para esta semana:

📖 ¿Qué leer?

Estrategia de búsqueda con IA: 4 pilares para aparecer más (y de forma correcta) en las respuestas de IA — Mateusz Makosiewicz, Ahrefs

Hasta ahora, posicionarse significaba conseguir que Google mostrara nuestra página. Con ChatGPT, Gemini, Perplexity o el Modo IA de Google aparece otro objetivo: conseguir que los sistemas entiendan nuestra marca, confíen en ella y la incorporen a sus respuestas.

Ahrefs propone un marco bastante práctico: mantener información propia clara y actualizada, construir señales externas que respalden la autoridad de la marca, crear contenido que siga aportando valor incluso después de ser resumido por una IA y medir visibilidad más allá del clic. Especialmente interesante es un dato de su propia investigación: hasta el 89 % de las apariciones de Ahrefs en respuestas de IA procedían de menciones en webs de terceros, no de su propio dominio.

🗣️ ¿Qué escuchar?

Sam Altman on Building OpenAI & Betting on the Impossible - David Senra

En esta entrevista, Altman repasa su fascinación temprana con la IA (desde niño en St. Louis), su paso por Y Combinator y cómo esa experiencia moldeó la filosofía de OpenAI: apostar por lo no obvio, poner a técnicos al mando, iterar rápido y aprender de la realidad. Explica cómo OpenAI rompió el manual clásico de startups: pasaron más de cuatro años sin producto, midiendo progreso de investigación sin feedback de clientes y “tropezando caóticamente” hasta encontrar el camino que llevó a GPT.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la Inteligencia Artificial, el Big Data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Los centros de datos ya son tema electoral

• Twitch deja que los creadores excluyan sus contenidos del entrenamiento de la IA de Amazon

• La IA ya está ayudando a atacar sistemas que controlan agua, energía y fábricas

• Trellis: quizá la IA más útil en redes sociales no sea la que escribe posts

• Diseñar con IA es mucho más que generar una imagen

  Tiempo de lectura: 10 min

📷 La imagen de la edición:

Prompt: Premium editorial illustration of a massive AI data center complex in the United States, surrounded by power lines, substations, cooling systems and visible water infrastructure. In the foreground, an empty ballot box and a few symbolic civic placards suggest local political debate, but no people appear anywhere in the scene. The image should contrast the invisible digital world of AI with its very physical demands on electricity, water, land and local infrastructure. Realistic technology-magazine aesthetic, muted industrial tones with subtle electric-blue accents, cinematic lighting, clean, no text, no logos, no robots.

Herramienta: ChatGPT

🧠 Brain Pulse:

El tema de la semana:

#183⚡ Los centros de datos ya son tema electoral

La carrera por la inteligencia artificial necesita algo mucho menos virtual que un buen modelo: electricidad, agua, suelo e infraestructuras. En Estados Unidos, quién debe asumir esos costes empieza a convertirse también en una cuestión de votos.

Durante años, los centros de datos fueron una parte casi invisible de Internet. Utilizábamos Google, Netflix o la nube sin pensar demasiado en los edificios donde ocurría todo. La IA generativa está rompiendo esa invisibilidad. Esta semana, Associated Press describe cómo los centros de datos se han convertido en un asunto incómodo para candidatos de ambos partidos en las elecciones estadounidenses de 2026, con disputas en estados como Ohio, Texas, Wisconsin o Nevada. Lo que antes era una decisión de inversión tecnológica empieza a aparecer en campañas, debates sobre impuestos y oposición vecinal.

La explicación está en la escala. La Agencia Internacional de la Energía calcula que el consumo eléctrico mundial de los centros de datos puede pasar de unos 485 TWh en 2025 a alrededor de 950 TWh en 2030. En Estados Unidos, podrían representar cerca de la mitad del crecimiento de la demanda eléctrica hasta el final de la década. Globalmente seguirían suponiendo alrededor del 3 % de la electricidad, pero esa cifra esconde el verdadero problema: los centros de datos no se reparten uniformemente por el planeta. Se concentran en comunidades concretas, conectadas a redes eléctricas concretas.

Y ahí la discusión deja de ser tecnológica. Gallup encontró en mayo que 7 de cada 10 estadounidenses se oponen a construir un centro de datos de IA en su zona, y un 48 % se declara firmemente en contra. Entre quienes rechazan estos proyectos aparecen preocupaciones por el consumo de agua y energía, la contaminación, el precio de los servicios y la calidad de vida. Quienes los apoyan hablan sobre todo de empleo, inversión e ingresos fiscales. Ambas partes están mirando el mismo edificio y viendo cosas distintas: para unos es infraestructura necesaria para competir en IA; para otros, una nueva demanda sobre recursos que ya utilizan.

Esto explica por qué el asunto atraviesa líneas partidistas. Pennsylvania plantea condiciones para que los centros cubran sus costes energéticos y obtengan aprobación local; Texas está revisando proyectos e incentivos; Arizona, Nueva York e Illinois han frenado o condicionado determinadas expansiones. No existe todavía una posición política sencilla de “izquierda contra derecha”. La tensión se parece más a competitividad nacional contra impacto local: todos quieren beneficiarse del crecimiento de la IA, pero no necesariamente asumir cerca de casa la infraestructura que lo hace posible.

Para las tecnológicas, esto introduce un límite que no se resuelve comprando más GPUs. Construir capacidad de IA dependerá también de redes eléctricas, permisos, regulación, financiación y aceptación social. Y para los gobiernos aparece una negociación difícil: atraer inversión sin trasladar costes desproporcionados a los residentes. La propia IEA advierte de una diferencia de tiempos importante: un centro de datos puede estar operativo en dos o tres años, mientras que ampliar la infraestructura energética necesaria suele requerir bastante más planificación y tiempo.

Durante la primera fase de la carrera de la IA preguntábamos quién tenía el mejor modelo, más chips o más capital. La siguiente puede obligarnos a mirar mucho más cerca del suelo. Porque la nube necesita enchufes, agua, terreno y comunidades dispuestas a alojarla. La carrera de la IA no se ganará únicamente entrenando mejores modelos. También habrá que convencer a las personas que tienen que vivir al lado de la infraestructura que los mantiene encendidos.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— Twitch deja que los creadores excluyan sus contenidos del entrenamiento de la IA de Amazon

Twitch ha añadido una opción para que sus usuarios puedan impedir que streams, vídeos bajo demanda, clips, chats, imágenes y textos de sus canales se utilicen en futuros entrenamientos de modelos generativos de Amazon.

El problema está en cómo se ha planteado: la autorización aparece activada por defecto, de modo que quien no quiera participar tiene que entrar en Configuración → Seguridad y privacidad → Entrenamiento para IA generativa y deshabilitarla manualmente.

La decisión ha generado críticas entre los creadores; WIRED en Español recoge que más de 15.800 usuarios habían respaldado una petición cuestionando este uso de sus contenidos.

La nueva opción tampoco resuelve todas las dudas. Twitch reconoce que desactivarla solo impide que el contenido se utilice para el entrenamiento futuro de modelos generativos de Amazon: la plataforma podrá seguir procesándolo para otras funciones contempladas en su política de privacidad, incluidas recomendaciones, herramientas de seguridad como AutoMod o servicios relacionados con patrocinio. Y queda una pregunta importante sin una respuesta completamente clara: qué contenido se ha utilizado ya y desde cuándo.

El debate, por tanto, no gira únicamente alrededor de entrenar una IA, sino de si el consentimiento debería darse por supuesto cuando el activo que se está aprovechando es el trabajo de los propios usuarios.

El impacto: el caso de Twitch refleja una tensión cada vez más habitual en las plataformas digitales. Durante años, publicar contenido significaba aceptar que la plataforma lo alojara, recomendara o monetizara; ahora también puede significar que ese material se convierta en materia prima para entrenar modelos de IA. Para creadores y empresas, revisar las condiciones y los ajustes de privacidad deja de ser una cuestión secundaria: imágenes, vídeos, textos o conversaciones que hoy forman parte de una estrategia de contenidos pueden terminar teniendo un segundo uso que nunca estuvo en la intención original de quien los creó.

— La IA ya está ayudando a atacar sistemas que controlan agua, energía y fábricas

Cinco agencias federales de Estados Unidos han advertido esta semana de una amenaza activa contra controladores industriales Siemens S7, equipos utilizados para gestionar procesos físicos en instalaciones de agua, energía, fabricación y otras infraestructuras críticas. Según la alerta recogida por The Register, los atacantes están combinando librerías de automatización disponibles públicamente con asistentes de programación basados en IA para crear scripts capaces de localizar, acceder y manipular estos dispositivos. El objetivo no es que una IA decida atacar por sí sola: son personas utilizando IA para construir herramientas ofensivas con mayor rapidez y menos conocimientos especializados.

El caso importa porque demuestra una de las formas más inmediatas en las que la IA puede cambiar la ciberseguridad. Muchos de estos sistemas industriales siguen expuestos a internet, utilizan software antiguo, contraseñas por defecto o redes insuficientemente segmentadas. Antes, explotar esas debilidades requería conocer tecnologías industriales bastante específicas. Ahora, un asistente de IA puede ayudar a interpretar documentación, generar código y adaptar ataques existentes, reduciendo la barrera técnica necesaria para atacar sistemas que tienen consecuencias en el mundo físico. Las propias agencias consideran que esto supone una evolución de las capacidades de los atacantes.

El impacto: quizá el mayor riesgo de la IA aplicada a ciberseguridad no sea un “hacker autónomo”, sino algo mucho más sencillo: hacer más capaces a muchos más atacantes. Y eso cambia las prioridades para las empresas. Cuanto más fácil sea generar herramientas ofensivas, menos margen habrá para mantener dispositivos sin actualizar, accesos innecesarios o sistemas críticos directamente conectados a internet. La IA acelera el ataque, pero en este caso también está dejando al descubierto un problema anterior: una infraestructura que ya era vulnerable antes de que llegaran los modelos generativos.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code

— Trellis: quizá la IA más útil en redes sociales no sea la que escribe posts

La primera oleada de IA aplicada a redes sociales fue bastante previsible: generar captions, reformular mensajes, producir variaciones y responder comentarios más rápido. Trellis, el agente de IA de Sprout Social, propone utilizarla para otra tarea: entender qué está pasando detrás de todos esos mensajes, métricas y conversaciones.

En lugar de recorrer dashboards o exportar datos para analizarlos después, podemos preguntarle directamente cosas como qué temas explican una caída de engagement, qué está provocando un cambio de sentimiento alrededor de una marca o qué diferencias existen entre las publicaciones que mejor y peor han funcionado. Trellis trabaja sobre los datos disponibles dentro de Sprout —Publishing, Reporting, Inbox y, cuando está contratado, Social Listening— y devuelve patrones, comparaciones y recomendaciones en lenguaje natural.

El caso de uso se vuelve más interesante con Trellis Studio. Aquí las preguntas dejan de ser consultas aisladas y pueden convertirse en análisis recurrentes. Podemos configurar una skill para que cada semana compare las mejores y peores publicaciones, vigile cambios de sentimiento, detecte temas emergentes o resuma qué está diciendo la audiencia sobre un producto. Cuando se ejecuta, recibimos el análisis preparado sin tener que volver a construir la misma consulta.

Pensemos en el lanzamiento de una campaña. El equipo podría utilizar Trellis para comprobar si el aumento de conversación viene acompañado de sentimiento positivo, identificar qué mensajes están impulsando el engagement y detectar rápidamente si una crítica empieza a repetirse. La diferencia frente a preguntar a un chatbot generalista es importante: el valor está en consultar los datos sociales reales del propio entorno de trabajo, no únicamente en pedirle al modelo una interpretación genérica.

Prueba Trellis Studio

⚡ Corner:

Nuestra recomendación para esta semana:

📖 ¿Qué leer?

La IA no podrá sustituir a los radiólogos, pero sí cambiará drásticamente su trabajo.

Hace una década parecía razonable pensar que interpretar imágenes médicas sería una de las primeras profesiones especializadas que la IA acabaría automatizando. No ha ocurrido así.

Este artículo repasa qué ha pasado realmente y ofrece una idea mucho más útil que la habitual discusión sobre empleos que “desaparecerán”: la tecnología está modificando qué parte del trabajo hace la persona y cuál hace la máquina. En radiología, la IA puede ayudar a detectar patrones, priorizar casos o reducir tareas repetitivas, pero sigue necesitando conocimiento clínico, contexto y supervisión humana.

Un buen caso práctico para entender por qué automatizar tareas no equivale necesariamente a automatizar profesiones completas.

Pincha y accede al artículo

🗣️ ¿Qué escuchar?

¿Tu empresa usa IA o solo acumula herramientas? — Miguel Carbonell

ChatGPT, Copilot, Gemini, automatizaciones, agentes… Tener más herramientas disponibles no significa necesariamente estar utilizando mejor la inteligencia artificial.

En este episodio, Miguel Carbonell propone cambiar el punto de partida: antes de decidir qué tecnología incorporar, mirar dónde pierde tiempo una organización, qué procesos generan fricción y qué decisiones podrían mejorar. A partir de ahí plantea cinco preguntas para identificar casos de uso con impacto real, teniendo en cuenta también supervisión humana, protección de datos y riesgos.

Dura unos 12 minutos y está íntegramente en castellano. Una escucha breve para recordar que una estrategia de IA empieza por entender el problema, no por elegir la herramienta.

👀 Diseñar con IA es mucho más que generar una imagen

A partir de ahora no terminarás con apuntes, lo harás con una campaña.
Ese es el objetivo del nuevo programa de Brain and Code:

Diseño con IA.

Un programa práctico para profesionales, autónomos y equipos corporativos que quieren incorporar la IA a sus procesos de diseño, comunicación y creación de contenidos

Cinco sesiones. Un proyecto. Resultados desde el primer día.

No trabajarás con un ejercicio aislado. Aprenderás a crear:
→ Un brief maestro reutilizable.
→ Flujos de usuario y wireframes asistidos por IA.
→ Un brand kit con paleta, tipografías, logotipo y componentes visuales.
→ Una landing page funcional.
→ Copys, titulares, llamadas a la acción y guiones de campaña.
→ Imágenes de marca con control sobre estilo, composición y tipografía.
→ Plantillas reutilizables para futuras campañas.

Herramienta: Claude | Inicio: 13 de octubre de 2026 | Online, en directo

Si ya estás usando IA para tareas sueltas, conviértela en un proceso de creación digital en el primer comentario.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• El algoritmo empieza a convertirse en tu manager

• El CTO de Meta quiere que el tiempo ahorrado con IA se utilice para producir más

• Google Sheets Canvas: la hoja de cálculo empieza a parecerse a una aplicación

• Si ya utilizas ChatGPT, ¿por qué necesitas un programa de IA para Marketing?

  Tiempo de lectura: 6 min

📷 La imagen de la edición:

Prompt: A stylized split-face portrait photograph of a young woman whose left half is rendered as clean photographic realism while her right half dissolves into a glowing cyan-and-magenta low-poly wireframe mesh along a vertical seam down the center of her face.

Herramienta: Ideogram 4.0

🧠 Brain Pulse:

El tema de la semana:

🎛️ El algoritmo empieza a convertirse en tu manager

Las plataformas ya no quieren limitarse a decirte qué contenido funcionó. Empiezan a recomendarte qué publicar, cuándo hacerlo y cómo responder a tu audiencia. La comodidad es evidente; la dependencia también.

Hasta ahora, la relación entre un creador y el algoritmo tenía algo de investigación forense.

Publicabas un vídeo. Esperabas. Abrías las estadísticas. Comparabas visualizaciones, retención, comentarios o seguidores. Después intentabas averiguar qué había funcionado y qué deberías repetir.

El algoritmo decidía buena parte de la distribución, pero rara vez explicaba sus decisiones.

Eso empieza a cambiar.

Facebook acaba de desplegar su nueva aplicación independiente Creator Studio, que incorpora un asistente de IA capaz de analizar el rendimiento de un creador, responder preguntas sobre su audiencia, señalar comentarios importantes, preparar respuestas en su propio tono y mostrar cada día una lista de prioridades. El despliegue oficial para iOS comenzó el 12 de agosto en Estados Unidos y Canadá.

Lo interesante no es que Meta haya añadido otro chatbot.

Es quién tiene los datos para responderle.

De panel de analítica a entrenador

Meta presentó Creator Assistant en junio con una promesa bastante concreta: pasar de mostrar métricas a ayudar al creador a entender por qué algo ha funcionado y qué debería hacer después.

Puede analizar cómo cambia una audiencia, explicar por qué un Reel rindió mejor que otros, proponer nuevos enfoques basándose en tendencias de Facebook y adaptar las recomendaciones a objetivos como crecer, conseguir más interacción o monetizar.

Eso supone un pequeño cambio de interfaz y uno mucho mayor de poder.

Antes:

creador → publica → plataforma distribuye → creador interpreta los datos.

Ahora:

plataforma observa → recomienda → creador produce → plataforma distribuye → plataforma vuelve a recomendar.

El círculo se cierra.

Y Meta no está sola.

YouTube está desarrollando una lógica parecida con Ask Studio, un asistente que conoce los datos del canal y permite preguntar qué está diciendo la audiencia, por qué un contenido funcionó o qué ideas podrían salir de los comentarios de un vídeo. YouTube lo presenta directamente como un “creative partner” personalizado para cada canal.

TikTok ha llevado esa idea hacia los anunciantes con Symphony Agent, que combina objetivos de campaña con señales de rendimiento y tendencias para desarrollar contenido, localizar vídeos de creadores y seleccionar perfiles para campañas.

La tendencia empieza a ser reconocible:

las plataformas están pasando de proporcionar herramientas de analítica a proporcionar criterio algorítmico.

El problema no es que la recomendación sea mala

De hecho, probablemente sea muy útil.

Un creador pequeño no siempre tiene un equipo analizando estadísticas, comentarios y tendencias. Una IA que encuentre patrones entre cientos de métricas puede ahorrar horas y detectar señales que pasarían desapercibidas.

Para marcas y equipos de marketing ocurre algo parecido. Preguntar “¿por qué esta campaña funcionó mejor?” resulta mucho más natural que navegar por cinco paneles distintos buscando una explicación.

El problema aparece cuando confundimos optimización para una plataforma con estrategia.

Facebook sabe perfectamente qué ocurre dentro de Facebook.

Puede conocer qué contenido obtiene más interacción, qué formatos tienen más alcance o qué temas conectan mejor con una audiencia determinada. Pero su perspectiva sigue estando condicionada por aquello que puede medir y por los objetivos de su propio ecosistema.

Un asistente puede decirnos:

“Publica más vídeos de este tipo porque generan más comentarios.”

Pero quedan preguntas que una métrica de plataforma no necesariamente responde.

¿Esos comentarios proceden del público que queremos atraer? ¿Ese contenido fortalece nuestra marca? ¿Genera negocio? ¿Queremos convertirnos en el tipo de creador que ese patrón está premiando?

Ahí está la diferencia entre rendimiento y dirección.

Del algoritmo invisible al algoritmo conversacional

Hay además una paradoja interesante.

Durante años, creadores y profesionales del marketing han intentado descifrar “el algoritmo”.

Ahora el propio sistema puede empezar a contestar esas preguntas.

El algoritmo deja de ser solamente una caja negra que distribuye contenido y empieza a convertirse en una interfaz con la que podemos conversar.

Eso podría reducir mucha incertidumbre.

Pero también puede crear un bucle de optimización.

Si miles de creadores reciben recomendaciones basadas en las mismas señales —formatos que están funcionando, temas emergentes, estilos con mejor rendimiento—, utilizar esas recomendaciones sin criterio puede empujar a todo el ecosistema hacia aquello que ya sabemos que funciona.

Utilizar al algoritmo como sensor, no como director creativo

Para un creador, una marca o un equipo de marketing, quizá la forma más útil de relacionarse con estos asistentes sea separar tres cosas.

Señal.
¿Qué está ocurriendo realmente? Qué contenido funciona, qué pregunta aparece repetidamente, dónde cae la retención o cómo está cambiando la audiencia.

Aquí la IA de la plataforma puede ser extraordinariamente valiosa.

Interpretación.
¿Por qué está pasando? La IA puede sugerir explicaciones, pero conviene contrastarlas con contexto, conversaciones reales, otros canales y objetivos de negocio.

Decisión.
¿Qué hacemos a continuación? Aquí debería seguir entrando el criterio propio.

Porque maximizar una métrica y construir una audiencia valiosa no siempre son la misma tarea.

🗣️ Brain Bites:

Noticias que no te puedes perder:

- El CTO de Meta quiere que el tiempo ahorrado con IA se utilice para producir más

Si la inteligencia artificial permite hacer una tarea en una hora en lugar de dos, ¿a quién pertenece la hora que sobra? Esa pregunta ha entrado de lleno en Meta. Durante una sesión interna de preguntas y respuestas celebrada en julio, un empleado preguntó al CTO de la compañía, Andrew Bosworth, si las mejoras de productividad derivadas de la IA podrían traducirse en más tiempo libre. Su respuesta fue clara: preferiría que ese tiempo se dedicase a desarrollar más y mejores productos para los usuarios. Las declaraciones fueron publicadas por Business Insider el 7 de agosto.

La pregunta surgió a propósito de los antiguos Meta Days, unos días adicionales de descanso que la compañía eliminó y sustituyó posteriormente por dos jornadas flexibles. Bosworth rechazó la posibilidad de recuperar el programa y llegó a calificar la petición de “muy tonta”, aunque después reconoció que había sido demasiado duro con el empleado. Meta declinó hacer comentarios sobre la conversación.

El episodio tendría menos importancia si no coincidiera con un cambio más profundo dentro de la compañía. Desde marzo, el propio Bosworth dirige AI For Work, la iniciativa con la que Meta quiere extender el uso de inteligencia artificial por toda su plantilla y acercarse al funcionamiento de empresas “AI-native”: organizaciones capaces de producir más con estructuras más pequeñas y automatizadas. La empresa está probando agentes internos y nuevas formas de integrar la IA en las tareas cotidianas.

Aquí aparece la verdadera discusión. Durante años, automatizar una tarea se ha asociado con ahorrar tiempo. La IA generativa introduce una posibilidad distinta: que cada minuto recuperado eleve simplemente la expectativa sobre cuánto debe producir una persona. No es una consecuencia inevitable de la tecnología, sino una decisión sobre cómo se reparten sus beneficios.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

- Google Sheets Canvas: la hoja de cálculo empieza a parecerse a una aplicación

Durante años hemos utilizado las hojas de cálculo de dos formas: guardamos datos en celdas y después construimos gráficos, tablas dinámicas o dashboards para intentar entenderlos. Google quiere añadir ahora una tercera capa. Sheets Canvas permite convertir los datos de una hoja en una pequeña aplicación interactiva simplemente describiendo qué queremos construir.

La diferencia respecto a pedirle a Gemini que cree un gráfico es importante. Canvas no genera únicamente una visualización estática sobre los datos. Puede construir una interfaz desde la que también modificamos la propia hoja. Por ejemplo, podemos transformar un listado de proyectos en un tablero Kanban, mover una tarjeta de “pendiente” a “completado” y hacer que ese cambio se refleje automáticamente en las celdas originales. Si alguien modifica después la hoja, la interfaz también se actualiza.

Pensemos en un presupuesto trimestral. En lugar de entregar una hoja llena de columnas y fórmulas, podríamos pedir: “crea un dashboard interactivo para analizar cómo afectan diferentes costes al presupuesto”. O convertir una tabla de campañas en un panel donde marketing pueda filtrar canales, revisar resultados y actualizar estados sin trabajar directamente sobre cientos de filas. Google también plantea usos como mapas de calor, galerías, pizarras y gestores de tareas.

Lo interesante no es que Sheets tenga ahora interfaces más bonitas. Es que empieza a reducir la distancia entre almacenar información y construir una herramienta para trabajar con ella. Hasta ahora, cuando una hoja se quedaba pequeña, muchas empresas terminaban saltando a herramientas de BI, aplicaciones no-code o desarrollos internos. Canvas intenta cubrir parte de ese espacio sin sacar los datos de Sheets ni obligarnos a programar. Es una evolución que Google ya había anticipado en abril, cuando presentó Canvas como una forma de crear miniaplicaciones directamente encima de los datos.

Pero todavía tiene límites importantes. El despliegue acaba de comenzar, funciona solo en la versión web y con la cuenta configurada en inglés, está restringido a determinados planes de Workspace y Google AI Pro o Ultra, y Google aplica límites de uso por usuario. También puede fallar con hojas demasiado grandes, archivos almacenados fuera de Drive o determinados documentos de Excel que no se hayan convertido al formato de Google Sheets.

Y hay otra precaución: una interfaz más sencilla no hace que los datos sean automáticamente mejores. Un dashboard generado por IA puede facilitar muchísimo la exploración, pero sigue dependiendo de que las columnas, fórmulas y datos que hay debajo sean correctos.

⚡ Corner:

Nuestra recomendación para esta semana:

- Si ya utilizas ChatGPT, ¿por qué necesitas un programa de IA para Marketing?

Pedir un copy, resumir un informe, analizar unos datos o crear una imagen puede ahorrarte tiempo en una tarea concreta.

Pero el trabajo de marketing no funciona como una colección de tareas independientes.

Cada semana tienes que decidir qué contenido crear, cómo conseguir visibilidad, dónde invertir, qué campañas funcionan, qué dicen los datos y cómo mantener la relación con cada cliente.

Y ahí aparece una diferencia importante:

Una cosa es utilizar IA. Otra es integrarla en tu forma de hacer marketing.

La verdadera oportunidad empieza cuando dejamos de abrir ChatGPT únicamente para resolver algo puntual y empezamos a conectar la IA con procesos completos de trabajo: desde la estrategia de contenidos hasta SEO y GEO, campañas de pago, analítica, atribución, CRM y personalización.

Por eso nace el Programa Especializado de IA para Marketing (PEMIA).

→ Un programa pensado para profesionales que quieren pasar de experimentar con herramientas a construir un sistema de marketing con IA aplicable a su propio entorno profesional.

Durante el programa trabajarás sobre seis áreas conectadas:

Contenido e IA generativa → SEO, GEO y Search Intelligence → Paid Media → Analítica y atribución → CRM, fidelización y personalización.

PEMIA comienza el 20 de octubre, tiene una duración de 6 meses y se imparte 100 % online.

Precio habitual → 6.500 €

Aprovecha el 25 % de descuento por pronta compra → 4.875 €

Pasa de usar IA a integrarla en tu marketing.

Cada semana seleccionamos lo más relevante de IA, tecnología, productividad y transformación digital. Análisis prácticos, herramientas reales y recomendaciones sin hype.

Aquí encontrarás lo que ya está funcionando en equipos y empresas que avanzan con criterio.

En esta edición:

• Si cualquiera puede escribirlo, nadie necesita leerlo

• Anthropic empieza a diseñar sus propios chips para Claude

• Notion convierte las reuniones en el inicio de una automatización

• Qué leer

• Haz que la IA no sea solo otra pestaña más con el Programa Especializado De IA para Marketing

📷 La imagen de la edición:

Herramienta: ChatGPT

Prompt: Create an abstract editorial illustration showing an overwhelming stream of hundreds of similar AI-generated articles flowing from the left. On the right, one unique warm golden article stands apart, clearly contrasting with the repetitive blue-grey content. Connect the unique article to subtle visual symbols of real experience, original data, conversations, research and human judgment. Premium cinematic tech aesthetic, deep navy background, blue and amber lighting, strong depth, minimal readable text, sophisticated and conceptual.

🧠 Brain Pulse:

El tema de la semana:

💬 Si cualquiera puede escribirlo, nadie necesita leerlo

La IA ha convertido la escritura profesional en un recurso abundante. El valor empieza a desplazarse hacia lo que sigue siendo difícil de generar: experiencia, evidencia y criterio.

Hace unos años, producir un buen artículo exigía investigar, ordenar ideas, escribir y corregir. Hoy podemos pedir a ChatGPT, Claude o Gemini un texto profesional y obtener en segundos un resultado razonablemente bueno.

Eso es productividad. Un experimento publicado en Science encontró que profesionales que utilizaron ChatGPT completaron determinadas tareas de escritura un 40 % más rápido y consiguieron resultados valorados un 18 % mejor.

Pero hay una consecuencia menos evidente: todo el mundo puede hacerlo.

Y cuando una capacidad deja de ser escasa, también deja de diferenciar.

Durante años, el reto del marketing de contenidos era publicar suficiente. Ahora el problema empieza a ser el contrario. Podemos producir más artículos, newsletters y publicaciones que nunca, pero nuestra capacidad para consumirlos sigue siendo la misma.

La IA reduce el cuello de botella de la producción mientras aumenta el de la atención.

Por eso la pregunta cambia: ya no es cuánto podemos publicar, sino por qué debería alguien leernos a nosotros.

Pensemos en dos artículos: “Cinco tendencias de inteligencia artificial que transformarán el marketing.”

Y: “Analizamos 1.200 consultas de nuestros clientes: estas son las tres tareas de marketing que realmente están delegando en IA.”

La IA puede redactar ambos. Pero no puede inventar legítimamente los 1.200 casos del segundo.

Ahí está el nuevo diferencial.

Podemos pensar el contenido en cuatro capas:

• Ejecución: redactar, corregir, traducir y resumir.

• Síntesis: ordenar información existente y explicarla.

• Evidencia: datos propios, entrevistas, experimentos, clientes y experiencia real.

• Criterio: decidir qué importa, detectar contradicciones y defender una interpretación.

La IA abarata especialmente las dos primeras. Por eso las dos últimas ganan valor.

Existe además otro riesgo: que producir mejores textos nos haga parecernos más.

Un estudio publicado en Science Advances encontró que la ayuda de la IA podía mejorar individualmente determinados relatos mientras hacía que los resultados fueran más similares entre sí.

Ese puede ser uno de los grandes problemas del contenido profesional: no que la IA escriba mal, sino que produzca textos correctos, útiles y completamente intercambiables.

La respuesta no consiste en utilizar menos IA. Al contrario.

Podemos usarla para redactar, investigar, estructurar, editar o adaptar contenidos y dedicar el tiempo liberado a aquello que sigue siendo difícil: hablar con clientes, analizar datos propios, hacer experimentos, consultar expertos y construir una posición.

Publicar cuatro veces más no será necesariamente una ventaja. Si todos hacemos lo mismo, simplemente tendremos cuatro veces más contenido que ignorar.

En la era de la IA generativa, información será precisamente lo que nos sobre.

El contenido valioso tendrá que aportar algo más: evidencia, interpretación o una perspectiva que no aparezca automáticamente después de escribir un prompt.

Porque cuando cualquiera puede escribir un artículo razonable, escribir deja de ser el logro.

El verdadero trabajo es tener algo que merezca ser leído.

🗣️ Brain Bites:

La noticia destacable de la semana:

- Anthropic empieza a diseñar sus propios chips para Claude

Anthropic ha confirmado esta semana que está formando un equipo interno de semiconductores para diseñar chips específicos para Claude. La compañía quiere desarrollar conjuntamente modelos y hardware para mejorar la velocidad y eficiencia de sus sistemas a gran escala. El movimiento, confirmado el 5 de agosto, supone la primera vez que Anthropic reconoce públicamente que trabaja en silicio propio.

Por ahora, conviene no interpretar el anuncio como la llegada inmediata de un “chip de Claude”. Anthropic está todavía construyendo el equipo y reclutando perfiles especializados en diseño y verificación de semiconductores. Tampoco pretende abandonar a sus proveedores actuales: la empresa asegura que mantendrá una estrategia multichip, combinando hardware propio con infraestructura de compañías como AWS, Google, Nvidia y AMD. Anthropic ya entrena y ejecuta Claude sobre distintas arquitecturas para asignar cada carga de trabajo al hardware más adecuado.

Lo interesante está en el cambio de escala de la competición. Durante los primeros años de la IA generativa, la atención estaba en quién conseguía entrenar el mejor modelo. Ahora, los grandes laboratorios están intentando controlar cada vez más capas de la infraestructura que lo hace posible. Google lleva años desarrollando sus TPU; Meta trabaja en aceleradores propios; OpenAI también ha avanzado hacia chips específicos. Anthropic, hasta ahora especialmente dependiente de socios tecnológicos para conseguir capacidad de cómputo, se suma a esa carrera.

Diseñar chips propios es caro, lento y técnicamente complejo, por lo que todavía no está claro hasta dónde llegará el proyecto. Pero existe un incentivo evidente: adaptar el hardware al modelo puede permitir ejecutar determinadas cargas de trabajo con mayor eficiencia y, al mismo tiempo, reducir la exposición a la disponibilidad y los precios de proveedores externos. Anthropic insiste, sin embargo, en que estos chips complementarán y no sustituirán su actual ecosistema de proveedores.

_{Imagen generada con Chat GPT.}

🦾 Toolkit:

En esta sección te compartimos herramientas, recursos y aplicaciones útiles para tu día a día.

- Notion convierte las reuniones en el inicio de una automatización

Tomar notas con IA después de una reunión ya empieza a parecer una función básica. La novedad interesante está en lo que ocurre después. Notion ha actualizado AI Meeting Notes para que, cuando termina de resumir una reunión, pueda activar automáticamente un Custom Agent y continuar el trabajo sin esperar una nueva instrucción humana.

El cambio permite pasar de “esta es la transcripción y estos son los próximos pasos” a ejecutar realmente parte de esos próximos pasos. Un agente puede, por ejemplo, actualizar el estado de un proyecto, enviar un resumen a Slack o por correo, convertir comentarios de clientes en tickets para producto o registrar información de la conversación en una base de datos. El usuario decide qué reuniones funcionan como disparador y qué debe hacer el agente cuando termina la nota.

_{Fuente: Notion. Configuración de un Custom Agent con el nuevo disparador “Meeting note summarized”, presentado el 31 de julio de 2026}

Pensemos en una reunión comercial. Hasta ahora, la IA podía resumir qué pidió el cliente y señalar las tareas pendientes. Con este sistema, el resumen puede activar un agente que actualice el CRM, clasifique las necesidades detectadas y prepare el seguimiento. En una reunión de producto, el mismo mecanismo podría transformar incidencias mencionadas durante la conversación en tareas para el equipo.

La diferencia parece pequeña, pero apunta a un cambio más amplio: la reunión deja de generar simplemente información y empieza a convertirse en un evento que activa software. Notion denomina Custom Agents a estos agentes que funcionan automáticamente mediante disparadores o programaciones y que pueden realizar acciones como actualizar registros, publicar informes, crear incidencias o enviar mensajes.

Aquí aparece también el principal límite. Los Custom Agents están ligados a los planes Business y Enterprise y consumen Notion credits cada vez que ejecutan tareas. El gasto depende de cuánto contenido lean, cuántos pasos realicen, el modelo utilizado y la frecuencia con la que se activen. Una automatización aplicada a todas las reuniones puede, por tanto, tener un coste bastante diferente de otra reservada para unas pocas conversaciones importantes.

Y automatizar exige revisar permisos con más cuidado. Los Custom Agents utilizan sus propios permisos, no necesariamente los de la persona que los activa. Notion advierte de que un agente con acceso a información privada podría proporcionar esa información a usuarios que no tengan acceso directo a los documentos originales.

⚡ Corner:

Qué leer, qué escuchar y las novedades de Brain and Code:

📖 ¿Qué leer?

How Much Time Do Your Employees Spend Botsitting? — Rebecca Hinds y Paul Leonardi:
Prometimos que la IA nos ahorraría trabajo, pero… ¿Cuánto tiempo estamos gastando en conseguir que ese trabajo sea realmente utilizable?

Hinds y Leonardi ponen nombre a una tarea cada vez más habitual: botsitting. Dar contexto a la IA, comprobar resultados, detectar errores, corregirlos y volver a intentarlo también consume tiempo, aunque normalmente no aparezca en las métricas de productividad. El concepto conecta con una paradoja importante para cualquier empresa que esté desplegando IA: automatizar una tarea no significa necesariamente eliminar el trabajo que había alrededor de ella.

👀 Haz que la IA no sea solo otra pestaña más con el Programa Especializado De IA para Marketing

El siguiente paso no consiste necesariamente en añadir otra aplicación. Consiste en conectar mejor las que ya forman parte de tu marketing.

El Programa Especializado de IA para Marketing impulsado por ESDEN, LIN3S y Brain and Code, está planteado precisamente desde esa perspectiva: aprender a conectar contenido, posicionamiento, campañas, analítica y CRM para construir un sistema aplicado a tu propio entorno profesional.

No se trata únicamente de aprender a utilizar herramientas de IA de forma aislada, sino de entender dónde pueden encajar dentro del proceso completo de marketing y trasladarlo después a tu empresa o proyecto.

El programa comienza el 19 de octubre y se desarrolla durante 6 meses en modalidad 100 % online. Sus 250 horas y 12 ECTS combinan sesiones live, mentorías y trabajo aplicado para llevar lo aprendido a situaciones reales desde el propio programa.

La idea es sencilla: pasar de utilizar IA en tareas sueltas a integrarla con criterio dentro de una forma de trabajar.

Porque tener más herramientas abiertas no significa necesariamente tener un mejor sistema.

Cada semana seleccionamos lo más relevante de IA, tecnología, productividad y transformación digital. Análisis prácticos, herramientas reales y recomendaciones sin hype.

Aquí encontrarás lo que ya está funcionando en equipos y empresas que avanzan con criterio.

📷 La imagen de la edición:

Herramienta: ChatGPT

Prompt: Create a wide, cinematic abstract editorial illustration representing the competitive landscape of generative AI through three distinct but interconnected visual worlds inspired by Gemini, Claude, and ChatGPT, without using logos, brand names, interfaces, or text.On the left, represent Gemini through two large mirrored translucent spheres floating in a deep blue, indigo, and violet cosmic environment. Surround them with delicate orbital lines, crystalline textures, luminous particles, and flowing ribbons of light. The mirrored forms should suggest duality, multimodal intelligence, exploration, and expansive technological capability.In the centre, represent Claude through a warm architectural composition made of layered geometric and organic forms in cream, beige, amber, terracotta, and soft orange. Include arches, curved surfaces, textured paper-like or stone-like planes, subtle steps, and delicate botanical elements. This central structure should feel thoughtful, calm, grounded, human-centred, and intellectually refined.On the right, represent ChatGPT through a large interwoven circular knot formed by translucent green, teal, and mint ribbons. Integrate subtle network connections, glowing nodes, fine lines, and flowing strands to suggest conversation, connectivity, adaptability, and collaborative intelligence.Connect all three visual identities with elegant streams of light, particles, and flowing energy that move across the composition, showing competition, convergence, and exchange between the leading AI platforms. The foreground should feature a smooth, reflective landscape with curved pathways and rounded platforms that guide the viewer’s eye from left to right.

🧠 Brain Pulse:

El tema de la semana:

🧠 El mejor modelo no siempre es el más potente

Cómo elegir entre velocidad, coste y razonamiento sin pagar de más ni trabajar peor

Hay una tentación muy humana cada vez que aparece un modelo nuevo: pensar que, si es el más avanzado, entonces debería ser el que usamos para todo.

Para escribir. Para resumir. Para analizar. Para programar. Para investigar. Para preparar propuestas. Para revisar documentos. Para cualquier cosa.

Suena lógico, pero no siempre lo es.

Ahora mismo convivimos con una generación de modelos muy potentes: GPT-5.5, Claude Opus 5, Gemini 3.1 Pro, modelos especializados para código, modelos rápidos tipo Flash, versiones mini, modelos open-weight y alternativas más baratas que en muchas tareas ya son suficientemente buenas. La oferta ha crecido tanto que el problema va más allá de encontrar “un modelo bueno”. El problema es saber cuál usar sin convertir cada tarea en una factura innecesaria.

Y aquí aparece el error: muchas personas están usando modelos premium para tareas que no lo necesitan.

Es como contratar a un consultor estratégico para ordenar una lista de la compra. Funciona, claro. Pero no tiene sentido.

El modelo más potente suele brillar cuando la tarea tiene ambigüedad, muchas variables, riesgo o necesidad de razonamiento profundo. Por ejemplo: comparar escenarios, revisar una decisión importante, detectar contradicciones, analizar un documento complejo, depurar un problema difícil, planificar una estrategia o evaluar riesgos antes de actuar.

Pero para tareas simples —resumir un texto, mejorar un correo, transformar notas, clasificar información básica, generar una primera versión o adaptar el tono de un mensaje— muchas veces un modelo rápido, más barato o más ligero es suficiente.

La pregunta útil no es: “¿cuál es el mejor modelo?”

La pregunta útil es: “¿cuál es el modelo suficiente para esta tarea?”

Ese cambio de pregunta ahorra dinero, tiempo y frustración.

Porque el modelo más potente no solo cuesta más. A veces también responde más lento, consume más recursos y puede sobrepensar tareas que no lo necesitan. En trabajos simples, más razonamiento no siempre significa mejor resultado. A veces significa más vueltas, más texto y más tiempo de revisión.

Pero tampoco se trata de ir siempre a lo barato.

El error contrario también existe: usar modelos ligeros para decisiones importantes y luego confiar demasiado en una respuesta rápida. Ahí el coste oculto puede ser mayor que el ahorro: errores, conclusiones débiles, análisis superficiales o decisiones tomadas con poca profundidad.

Por eso conviene pensar los modelos como una caja de herramientas, no como una escalera donde el de arriba siempre gana.

Un martillo no es mejor que un destornillador. Sirve para otra cosa.

Lo mismo pasa con la IA.

La regla práctica: empieza simple, escala si hace falta

Una forma sencilla de decidir es usar este semáforo:

🟢 Modelo rápido: cuando la tarea es clara y reversible

Úsalo para tareas donde el error es fácil de corregir y no hay gran riesgo.

Ejemplos: resumir, reescribir, traducir, ordenar notas, crear una primera versión, clasificar información sencilla, generar ideas iniciales o convertir un texto en otro formato.

Aquí lo importante es velocidad, no profundidad. Si el resultado no convence, corriges o repites.

🟡 Modelo de razonamiento: cuando hay varias variables

Úsalo cuando la tarea necesita comparar, priorizar, detectar riesgos o tomar una decisión con matices.

Ejemplos: elegir entre tres proveedores, preparar una propuesta importante, analizar por qué cae una métrica, revisar una estrategia, detectar contradicciones en un documento o construir un plan con restricciones.

Aquí no quieres solo una respuesta. Quieres que el modelo te ayude a pensar mejor.

🔴 Modelo premium: cuando el coste del error es alto

Úsalo cuando la tarea es difícil, sensible o puede tener consecuencias relevantes.

Ejemplos: decisiones legales, financieras o estratégicas; análisis de documentos largos; código crítico; automatizaciones complejas; investigación profunda; revisión de riesgos; decisiones que afectan clientes, dinero, seguridad o reputación.

Aquí pagar más puede tener sentido, pero no porque el modelo sea “el mejor”, sino porque el error saldría más caro.

El punto importante es que no tienes que empezar siempre por el rojo.

Puedes trabajar en capas.

Primero usas un modelo rápido para ordenar la información. Después usas un modelo de razonamiento para comparar opciones. Y solo si la decisión lo merece, usas el modelo premium para revisar, criticar o validar el resultado.

Ese flujo suele ser más efectivo que pedirle todo al modelo más caro desde el principio.

Ejemplo práctico: una propuesta para cliente.

No necesitas usar el modelo más potente para limpiar las notas de una reunión. Ahí basta uno rápido.

Luego puedes usar un modelo de razonamiento para detectar objeciones, riesgos y enfoques posibles.

Y si es una propuesta grande, con impacto comercial real, puedes usar un modelo premium para revisar la versión final: claridad, promesas, riesgos, coherencia y puntos débiles.

Así cada modelo entra donde aporta más.

La clave está en dejar de medir la IA por “potencia máxima” y empezar a medirla por “ajuste a tarea”.

Esta semana prueba algo concreto: elige tres tareas que haces con IA y clasifícalas en verde, amarillo o rojo.

Si todo te sale rojo, probablemente estás pagando de más.

Si todo te sale verde, quizá estás usando IA solo para tareas superficiales.

El objetivo es usar la IA adecuada para el trabajo adecuado.

Ahí empieza la verdadera eficiencia.

🗣️ Brain Bites:

La noticia destacable de la semana:

- La UE retrasa las reglas para la IA de alto riesgo y simplifica su Ley de IA

La Unión Europea ha vuelto a modificar el calendario y algunas de las obligaciones de su Ley de Inteligencia Artificial. El 27 de julio entró en vigor el Reglamento Ómnibus de IA, una reforma aprobada este mes que pretende facilitar la aplicación de la norma, reducir cargas administrativas y ofrecer más tiempo a las empresas para adaptarse.

El cambio más importante afecta a los sistemas considerados de alto riesgo. Las obligaciones para aplicaciones independientes —como determinados sistemas utilizados en empleo, educación, biometría, infraestructuras críticas o acceso a servicios esenciales— comenzarán a aplicarse el 2 de diciembre de 2027. Para la IA integrada en productos físicos, como maquinaria, juguetes o ascensores, el plazo se amplía hasta el 2 de agosto de 2028. La reforma también extiende algunas ventajas reservadas a las pymes a empresas de mediana capitalización, amplía el acceso a entornos regulatorios de pruebas y flexibiliza ciertos requisitos de registro y seguimiento.

Bruselas presenta la reforma como un ajuste necesario: muchas de las normas técnicas, guías y mecanismos de evaluación que las empresas necesitan para demostrar el cumplimiento todavía no estaban preparados. El Parlamento Europeo defendió que aplicar las obligaciones sin esas herramientas habría generado incertidumbre jurídica y dificultades operativas.

Pero la simplificación también ha abierto otro debate. Organizaciones de consumidores y derechos digitales sostienen que retrasar las obligaciones deja durante más tiempo sin protección efectiva a personas afectadas por sistemas automatizados y que algunas excepciones pueden crear vacíos regulatorios. La discusión ya no enfrenta simplemente regulación e innovación, sino dos formas de entender cómo debe implantarse la norma: exigir primero y corregir después, o construir antes los mecanismos que permitan cumplirla.

🦾 Toolkit:

En esta sección te compartimos herramientas, recursos y aplicaciones útiles para tu día a día.

- Perplexity Personal Computer: el agente de IA entra en Windows

Los asistentes de IA suelen quedarse al otro lado del navegador: responden preguntas, redactan textos y analizan los archivos que decidimos subir. Personal Computer, la propuesta de Perplexity, intenta eliminar esa frontera. Desde esta semana está disponible también para Windows y puede trabajar con archivos locales, aplicaciones de Microsoft 365 y fuentes de internet dentro de una misma tarea.

La diferencia práctica está en pasar de pedir una respuesta a encargar un flujo de trabajo. Por ejemplo, podríamos solicitarle que revise varias hojas de cálculo guardadas en el ordenador, contraste sus datos con información disponible en la web y prepare un informe en Word. También puede crear documentos, actualizar archivos de Excel o continuar desde el móvil una tarea iniciada en el equipo. Perplexity utiliza una combinación de más de veinte modelos de IA y selecciona automáticamente cuáles intervienen en cada parte del proceso.

Esto puede tener sentido para profesionales que trabajan con información fragmentada entre carpetas, correo, documentos de Office y aplicaciones web. En lugar de cargar cada archivo por separado y trasladar manualmente los resultados, el agente puede reunir el contexto y ejecutar varios pasos consecutivos. Su valor no está, por tanto, en redactar un correo más rápido, sino en reducir los cambios constantes entre aplicaciones.

Esa autonomía también introduce el principal límite. Dar acceso a un agente a los archivos locales y a herramientas desde las que puede modificar documentos o enviar mensajes exige más confianza que utilizar un chatbot convencional. Perplexity afirma que el sistema avisa antes de realizar acciones sensibles, como eliminar archivos o enviar correos, y que ejecuta las tareas en entornos aislados. Aun así, revisar los permisos concedidos y mantener una aprobación humana antes de cualquier acción irreversible sigue siendo imprescindible.

El precio reduce considerablemente su público potencial. La versión para Windows está llegando a los planes Max y Enterprise Max; el plan individual Max cuesta 200 dólares al mes o 2.000 dólares al año. No parece una herramienta pensada para quien solo realiza consultas ocasionales, sino para usuarios capaces de justificar el coste mediante tareas repetitivas y de cierto volumen.

También conviene revisar la configuración de privacidad. Los datos de organizaciones Enterprise no se utilizan para entrenar los modelos de Perplexity. En las cuentas individuales Max, en cambio, la retención para mejorar la IA está activada de forma predeterminada, aunque puede deshabilitarse desde los ajustes. Antes de permitir el acceso a documentación confidencial, esa comprobación debería formar parte de la configuración inicial.

Personal Computer muestra hacia dónde se dirige la próxima generación de herramientas: la IA ya no solo lee nuestro trabajo, sino que empieza a actuar sobre él.

⚡ Corner:

Qué leer, qué escuchar y las novedades de Brain and Code:

🎉 Esta semana estamos de cumpleaños en Brain and Code.

Cumplimos 4 años y queremos celebrarlo contigo.

¿Cómo lo celebramos?

Hemos habilitado un 5% de descuento adicional en algunos de nuestros programas.

Utiliza el siguiente código de descuento: CumpleañosBrain&Code

Disfrútalo en (casi) todos nuestros programas: https://brainandcode.tech/collections/cumpleanos-brain?_kx=-H5Wv-Of3_w_HEBGLbpBAw.XmfQZV

Si llevas tiempo pensando en formarte en IA, esta es una pequeña excusa para que des el paso.

→ Durante una semana, puedes utilizar nuestro regalo de aniversario.

Además, estos días estamos compartiendo en nuestras redes sociales parte de lo que hemos construido durante estos 4 años.

→ Si quieres conocernos un poco más, te animamos a pasarte por nuestras redes sociales y seguir la campaña de cumpleaños Brain and Code.

Cada semana seleccionamos lo más relevante de IA, tecnología, productividad y transformación digital. Análisis prácticos, herramientas reales y recomendaciones sin hype.

Aquí encontrarás lo que ya está funcionando en equipos y empresas que avanzan con criterio.

En esta edición:

• Pagar no siempre compra privacidad

• Grandes tecnológicas defienden los modelos open-weight

• Claude Opus 5

• ¿Qué leer? / ¿Qué escuchar?

• FIME contado por quien ya ha recorrido el camino

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Herramienta: Ideogram

Prompt: An abstract editorial illustration visualizing social media platforms and data control as a layered digital ecosystem, with a glowing translucent sphere at center surrounded by floating minimalist platform icons connected by thin data lines, toggle switches, and a partially open padlock.

🧠 Brain Pulse:

El tema de la semana:

🕵️ Pagar no siempre compra privacidad

En noviembre de 2023, Meta lanzó en Europa su modelo “paga o consiente”: por €9,99 al mes en web (€12,99 en móvil) puedes usar Facebook e Instagram sin publicidad. Según Alex Dziedzan, portavoz de políticas de Meta, “no usamos ningún dato para fines publicitarios” en la versión de pago.

Suena a victoria. Pero la misma política de privacidad de Meta no dice que dejen de recolectar tus datos. Dice que dejan de usarlos para publicidad. El seguimiento de tu comportamiento, es decir, qué miras, cuánto tiempo te quedas, con quién interactúas, desde dónde, sigue activo para “funciones no relacionadas con publicidad”: personalización del feed, recomendaciones, medición de engagement, entrenamiento de algoritmos.

La organización de consumidores BEUC fue más allá en enero de 2025: denunció ante la Comisión Europea que el modelo de Meta incumple el GDPR, la Ley de Mercados Digitales y la normativa de consumo. Su argumento clave: Meta no ha establecido límites de tiempo para el procesamiento de datos personales ni aclara qué categorías concretas deja de procesar al pagar. La política de privacidad, dicen, “no parece reflejarlo en absoluto”.

En X (antes Twitter), la suscripción Premium tiene un efecto paradójico: no reduce lo que la plataforma sabe de ti, lo aumenta.

Desde septiembre de 2023, la política de privacidad de X establece que los usuarios Premium pueden ser sometidos a recolección de datos biométricos, además, X recopila explícitamente tu historial laboral, educativo, preferencias de empleo, habilidades y actividad de búsqueda de trabajo, datos que usa para “recomendar potenciales empleos, compartirlos con potenciales empleadores y mostrarte publicidad más relevante”.

Es decir: el plan de pago te pide más identidad, no menos. Y esa información no queda encerrada: X la usa para entrenar modelos de inteligencia artificial y compartirla con terceros.

Mientras tanto, X movió el acceso completo a analytics detrás del muro de pago. Si eres creador y quieres entender quién te lee, debes pagar. La suscripción no protege tu privacidad: monetiza tu necesidad de entender tu propia exposición.

LinkedIn es descrita por la industria como “la mayor base de datos B2B de internet”. Su modelo Premium no ofrece una política de privacidad diferente a la versión gratuita.

Lo que compras es lo contrario de anonimato: más visibilidad. Los usuarios Premium aparecen como “candidatos destacados”, tienen historial completo de quién visitó su perfil (90 días). Pagan por ser más encontrables, no por ser menos rastreables.

Un estudio de 2025 basado en etiquetas de privacidad de la App Store de Apple reveló que el 82,78% de las apps de iOS rastrean datos privados de los usuarios. Las apps gratuitas son cuatro veces más propensas a recolectar datos que las de pago (49,47% vs 12,61%), pero ese 12,61% significa que una de cada ocho apps de pago sigue recolectando tu información.

Apple, por cierto, exige a los desarrolladores que si una app tiene prácticas diferentes de recolección entre versión gratuita y de pago, debe reportar todos los tipos de datos recolectados para ambos casos. La implicación es clara: la versión de pago puede seguir recolectando datos. Solo está obligada a ser transparente sobre ello.

Después de leer lo anterior, te tienes que plantear la pregunta: ¿qué estoy comprando exactamente?

• ¿Menos anuncios?

• ¿Más funciones?

• ¿Más control real sobre mis datos?

• ¿La posibilidad de limitar el seguimiento?

• ¿O solo una experiencia más pulida?

Si no separas estas cosas, es fácil asumir que pagar equivale a privacidad. Y no es automáticamente así. Puedes estar pagando por una ilusión de control, no por control real.

🗣️ Brain Bites:

La noticia destacable de la semana:

- Grandes tecnológicas defienden los modelos open-weight

NVIDIA, Microsoft, Meta y otras grandes tecnológicas han publicado una carta conjunta dirigida a Washington para pedir que Estados Unidos no imponga restricciones prematuras a los modelos de IA de pesos abiertos (open-weight models). La carta, firmada también por compañías como IBM, Palantir, Dell, CrowdStrike, Hugging Face y Mistral, defiende que estos modelos son clave para mantener un ecosistema de IA competitivo, accesible y adaptable, frente a una industria cada vez más concentrada en unos pocos modelos cerrados.

Este debate se ha intensificado tras el avance de modelos abiertos desarrollados fuera de Estados Unidos, especialmente desde China, y por las preocupaciones sobre seguridad, propiedad intelectual y posible uso indebido. Pero la coalición argumenta que cerrar o restringir demasiado este tipo de modelos podría tener el efecto contrario: empujar la innovación fuera de EE. UU., reducir la competencia y limitar la capacidad de empresas, gobiernos y desarrolladores para ejecutar IA en sus propios entornos. Jensen Huang, CEO de NVIDIA, defendió públicamente que los modelos abiertos fortalecen la innovación, la ciberseguridad y la soberanía tecnológica.

El impacto: esta noticia marca una batalla de fondo sobre quién controla la IA: unos pocos proveedores con modelos cerrados o un ecosistema más amplio donde empresas puedan descargar, adaptar y operar modelos propios.

🦾 Toolkit:

En esta sección te compartimos herramientas, recursos y aplicaciones útiles para tu día a día.

- Claude Opus 5

Claude Opus 5 acaba de llegar y el mensaje de Anthropic es bastante directo: es un salto importante frente a Opus 4.8, pensado para trabajos largos, complejos y con mucho contexto. No es el modelo que usarías para pedir un resumen rápido o redactar un email simple; es el que tiene sentido cuando la tarea exige mantener muchas piezas en la cabeza: código, documentos extensos, análisis con varias capas o trabajo empresarial donde perder un detalle sale caro. Anthropic lo lanzó el 24 de julio de 2026 y lo posiciona para “codificación agéntica compleja y trabajo empresarial”.

La novedad más llamativa es su ventana de contexto de 1 millón de tokens y una salida máxima de 128k tokens. Dicho sin tecnicismos: puede trabajar con mucho más material de una sola vez y generar entregables más largos sin tener que partir todo en trozos. Esto importa si estás revisando una base de código grande, comparando muchos documentos, preparando un informe extenso o intentando que el modelo no “pierda el hilo” a mitad de una tarea. La promesa no es que responda más bonito, sino que aguante mejor cuando el trabajo se vuelve largo.

Opus 5 viene con el “pensamiento” activado por defecto y permite ajustar cuánto esfuerzo dedica a una tarea. Esto es clave porque no todas las tareas merecen la misma profundidad: si le pides algo simple y lo dejas en modo muy exigente, probablemente estás pagando de más; si le das una tarea compleja y lo bajas demasiado, perderás calidad.

⚡ Corner:

Qué leer, qué escuchar y las novedades de Brain and Code:

📖 ¿Qué leer?

Co-Intelligence – Ethan Mollick:

Uno de los libros que mejor explica cómo trabajar con la IA en vez de solo usarla. Claro, práctico y sin rodeos. Ideal si quieres pasar de “probar herramientas” a integrarlas de verdad en tu forma de trabajar.

🗣️ ¿Qué escuchar?

Grant Sanderson (3Blue1Brown) con Dwarkesh Patel
Un espacio en el que se discutió el impacto real de la IA en las matemáticas y qué nos dice eso del ritmo de progreso de la inteligencia artificial. Diferente a las entrevistas habituales y muy recomendable.

👀 FIME contado por quien ya ha recorrido el camino

No hay mejor forma de entender un programa que escuchando a quien ya lo ha vivido.

En este vídeo, Juan Carlos Durán, Physical & Financial Gas Trader, comparte su experiencia tras completar el recorrido de FIME: Financial Intelligence for the Markets and Economics. Ve al video en el siguiente enlace: VIDEO TESTIMONIAL FIME

El programa impulsado por el Instituto BME en colaboración con Brain & Code para formar a profesionales financieros en inteligencia artificial, datos, tecnología y nuevas competencias digitales aplicadas al mercado.

FIME nace con un objetivo claro: ayudar a los profesionales del sector financiero a entender, aplicar y aprovechar la IA con método, seguridad y criterio profesional.

[más información sobre la certificación]

El itinerario se estructura en tres niveles progresivos:

• FIME First: para construir una base sólida en IA generativa, herramientas digitales, BI, ciberseguridad y primeras aplicaciones de la IA en finanzas.

• FIME Advanced: para avanzar hacia un uso más aplicado de la IA: prompting, automatización, agentes conversacionales, productividad, ética y ciberseguridad.

• FIME Proficiency, para dar el siguiente salto con agentes autónomos, RAG, fine-tuning, modelos de razonamiento, arquitecturas cloud y ciberseguridad avanzada.

Tres niveles, un mismo propósito: preparar a los profesionales financieros para trabajar mejor con la inteligencia artificial y entender cómo está transformando el análisis, los mercados y la toma de decisiones.

Cada semana seleccionamos lo más relevante de IA, tecnología, productividad y transformación digital. Análisis prácticos, herramientas reales y recomendaciones sin hype.

Aquí encontrarás lo que ya está funcionando en equipos y empresas que avanzan con criterio.

En esta edición:

• El prompt perfecto se queda corto

• SpaceX negocia con el Pentágono para vender capacidad de cómputo

• Sol, Terra, Luna y Kimi K3: la IA empieza a fragmentarse por uso

• Qué leer y qué escuchar

• Descubre los nuevos programas de Brain and Code

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Herramienta: Ideogram

Prompt: A soft painterly digital illustration of a young person seated at a wooden desk with a glowing laptop, surrounded by floating translucent thought fragments — question marks, arrows, puzzle pieces — drifting upward as they work through an unclear problem. Compositional deconstruction.

🧠 Brain Pulse:

El tema de la semana:

💬 El prompt perfecto se queda corto.

Los últimos meses aprendimos a escribir prompts como si fueran instrucciones cerradas; vamos, los mismos creadores de las herramientas nos daban las pautas y luego solo fuimos replicando:

“Actúa como…”
“Dame una respuesta en formato tabla…”
“Usa este tono…”
“No superes 500 palabras…”
“Hazlo paso a paso…”

Y durante un buen tiempo funcionó. Tenía sentido: cuanto más precisa era la orden, mejor solía ser la respuesta. Pero ahora estamos en otra fase… Con los modelos de razonamiento, el problema ya no es solo pedir mejor.

Un prompt tradicional funciona bien cuando la tarea está clara: resume este texto, cambia este tono, traduce este párrafo, dame cinco ideas, ordena estas notas. Ahí no hace falta complicarlo. Una buena instrucción, un formato claro y una revisión rápida suelen bastar.

Pero cuando la tarea tiene ambigüedad, riesgo o varias decisiones dentro, el prompt perfecto o “plantilla” empieza a fallar y falla por una razón sencilla: intenta cerrar demasiado pronto algo que todavía necesita explorarse.

“Conversar” con un modelo de razonamiento no significa escribirle de forma más casual. Significa dirigir mejor el proceso. La clave es esta: no empieces por el resultado. Empieza por el encuadre.

Antes de pedir “hazme una estrategia”, conviene escribir: “ayúdame a entender qué información falta, qué opciones hay y qué riesgos debería considerar antes de decidir”.

Para hacerlo práctico, podemos usar un framework sencillo:

• Encuadra el problema: incluye objetivo, contexto, restricciones y qué sería un buen resultado. Ejemplo: En lugar de “hazme una propuesta”, di “quiero preparar una propuesta para un cliente que duda por presupuesto”. Antes de redactar, ayúdame a identificar riesgos y opciones.”

• Pide preguntas antes de respuestas: “antes de darme una recomendación, hazme las 5 preguntas que más cambiarían la calidad de tu respuesta.”

• Solicita opciones, no una única solución: “dame tres enfoques posibles. Para cada uno, indica cuándo conviene, qué riesgos tiene y qué señal indicaría que no es el camino correcto.”

• Deja el formato para el final: solo cuando hayas explorado y comparado, pide: “Ahora redacta la propuesta final en máximo 700 palabras…” El formato funciona mejor cuando llega al final.

Adicional a lo anterior, también conviene actualizar una vieja costumbre: pedir siempre “piensa paso a paso”. Durante un tiempo se convirtió casi en una fórmula mágica. Pero hoy no necesitas pedirle al modelo que te enseñe todo su razonamiento interno; por lo general, ya te lo muestra con tan solo dar un clic.

A modo de conclusión:

Si la tarea es simple, usa un prompt simple.
Si la tarea es ambigua, usa conversación.
Si la tarea implica riesgo, pide supuestos y verificación.
Si la tarea tiene varias soluciones posibles, pide comparación.
Si la tarea acaba en una decisión importante, no aceptes una única respuesta sin crítica.

🗣️ Brain Bites:

La noticia destacable de la semana:

- SpaceX negocia con el Pentágono para vender capacidad de cómputo

SpaceX está en conversaciones con el Departamento de Defensa de Estados Unidos para ofrecer capacidad de data center, destinada a ejecutar modelos de inteligencia artificial para usos militares. El movimiento ampliaría todavía más la relación entre SpaceX y el Pentágono, que ya depende de la compañía en lanzamientos, satélites y comunicaciones, y colocaría a la empresa de Elon Musk en una nueva categoría: no solo proveedor espacial, sino también proveedor de infraestructura crítica de IA.

La compañía de Musk ya ha avanzado en acuerdos de capacidad con actores como Anthropic y Google, y ahora busca competir con proveedores de nube y data centers especializados ofreciendo cómputo para modelos avanzados. Para el Pentágono, el objetivo es diversificar proveedores y asegurar capacidad suficiente para su agenda de IA, en un contexto donde también se discuten programas de gran escala como el Artificial Intelligence Arsenal, con una solicitud de financiación de 30.000 millones de dólares.

El impacto: si Estados Unidos empieza a integrar IA, defensa, nube privada y empresas espaciales en un mismo bloque estratégico, Europa tendrá que acelerar su propia capacidad de cómputo soberano; esto refuerza la necesidad de evaluar dependencia tecnológica, ubicación del cómputo y resiliencia frente a proveedores no europeos.

🦾 Toolkit:

En esta sección te compartimos herramientas, recursos y aplicaciones útiles para tu día a día.

- Sol, Terra, Luna y Kimi K3: la IA empieza a fragmentarse por uso

Esta semana hablaremos a grandes rasgos de dos movimientos importantes: la nueva familia de modelos de OpenAI (Sol, Terra y Luna) y el impacto de Kimi K3, el nuevo modelo de Moonshot AI que está llamando la atención por su tamaño, su enfoque abierto y su rendimiento en tareas como programación. Más allá del titular, lo interesante no es solo quién “gana” en benchmarks, sino cómo está cambiando la forma de usar modelos de IA en el trabajo, en complemento a nuestro artículo principal.

El mensaje de OpenAI con Sol, Terra y Luna es bastante claro: no todas las tareas necesitan el mismo nivel de inteligencia. Sol apunta a los trabajos más complejos: código, ciberseguridad, ciencia, razonamiento largo,Terra sería el modelo equilibrado para el día a día y Luna el modelo rápido y barato para tareas ligeras o de mucho volumen.

Kimi K3 añade otra presión al mercado: modelos muy grandes, con enfoque más abierto y con costes potencialmente más competitivos, especialmente desde China. Según la cobertura reciente, Kimi K3 destaca en programación y se presenta como uno de los grandes modelos abiertos más ambiciosos del momento. Esto no significa que automáticamente sea “mejor” para todos, pero sí refuerza una tendencia: la ventaja ya no está solo en tener el modelo más cerrado y potente, sino en ofrecer modelos capaces, accesibles y adaptables a más casos de uso.

⚡ Corner:

Qué leer, qué escuchar y las novedades de Brain and Code:

📖 ¿Qué leer?

Hilo de Andrej Karpathy sobre el futuro agentic:
Aunque lo publicó hace unos meses, sigue siendo de lo más relevante y visionario. Karpathy ya avisaba de cómo los agentes iban a cambiar radicalmente la forma de trabajar… y la realidad le está dando la razón cada semana. De los hilos más útiles y honestos sobre el paso real de la IA. Enlace:

🗣️ ¿Qué escuchar?

Dario Amodei (CEO de Anthropic) en conversación con Emily Chang (Bloomberg)
Entrevista reciente, directa y sin filtros donde Amodei habla del estado actual de la IA, la competencia, los riesgos y hacia dónde va realmente el sector. Mucho más fresca y práctica que Amodei en otros foros

👀 Descubre los nuevos programas de Brain and Code

Septiembre no va solo de retomar tareas, reuniones y proyectos pendientes. También es un buen momento para decidir cómo quieres trabajar en el último tramo del año.

Lanzamos nuevos programas para los próximos meses para profesionales y equipos que quieren mejorar en su formación con la inteligencia artificial. Formaciones prácticas, online y orientadas a usar la tecnología donde realmente impacta: en procesos, productividad, análisis, contenidos y posicionamiento.

1. Programa Experto en Automatización con IA en n8n | 29/09/2026

Pensado para ayudar a automatizar procesos, reducir tareas repetitivas y conectar herramientas sin necesidad de programar.

• Inicio: 29 de septiembre de 2026

• Duración: 9 h, 6 sesiones de 1,5 h

• Modalidad: 100% síncrona online

Aprenderás a diseñar y desplegar flujos de negocio que conectan sistemas y herramientas dentro de tu día a día.

2. Programa Experto en Claude Ed.II | 20/10/2026

Diseñado para profesionales que quieren dejar de usar Claude como un chat más y empezar a integrarlo con método en su forma de trabajar.

• Inicio: 20 de octubre de 2026

• Duración: 13,5 h, 9 sesiones de 1,5 h

• Horario: martes y jueves de 18:30 a 20:00 h

• Modalidad: 100% síncrona online

3. GEO/SEO y posicionamiento en IA | 06/11/2026

Para perfiles que ya conocen las bases del SEO y quieren especializarse en la optimización para motores de respuesta (GEO) y asistentes de IA.

• Inicio: 06 de noviembre de 2026

• Fin: 14 de noviembre de 2026

• Horario: viernes de 16:00 a 20:00 - sábados de 09:00 a 14:00

• Modalidad: Online en directo

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Tu experiencia es el nuevo sistema operativo

• DeepSeek quiere diseñar sus propios chips para esquivar el bloqueo tecnológico

• La IA defensiva en ciberseguridad también empieza a preocupar por su posible uso ofensivo

• ChatGPT Work

• Lanzamos AI Marketing Challenge 2026: una beca para demostrar cómo aplicas la IA al marketing real

  Tiempo de lectura: 6 min

📷 La imagen de la edición:

Herramienta: Images - 2 ChatGPT

🧠 Brain Pulse:

El tema de la semana:

🧠 Tu experiencia es el nuevo sistema operativo

En 2026, decir que usas IA ya no diferencia a nadie. La mayoría de profesionales ya ha probado alguna herramienta para resumir, redactar, traducir, analizar, diseñar, buscar ideas o preparar documentos. El acceso se ha normalizado. La novedad se ha ido. Y cuando una tecnología deja de ser novedad, aparece la pregunta importante: ¿realmente está mejorando cómo trabajamos o solo nos está ayudando a producir más cosas?

Muchas personas usan IA como un acelerador de tareas sueltas: un correo aquí, un resumen allí, una presentación, una propuesta, una lista de ideas. Funciona. Ahorra tiempo. Pero no siempre deja una mejora detrás. La siguiente tarea vuelve a empezar casi desde cero.

El salto real no está en pedirle más cosas a la IA. Está en convertir una tarea importante en un sistema que combine tu experiencia con sus capacidades.

No hablamos de prompts más largos ni de automatizar por automatizar. Hablamos de algo más simple y más valioso: capturar cómo trabaja alguien que sabe.

Pongamos un ejemplo: preparar una propuesta comercial.

El uso básico sería pedirle a la IA: “hazme una propuesta para este cliente”. El resultado puede sonar bien, pero probablemente será genérico. El uso avanzado es distinto: darle notas de la reunión, contexto del cliente, objeciones, límites de precio, ejemplos de propuestas anteriores, tono de la empresa y criterios de revisión. Entonces la IA no solo redacta. Ayuda a trabajar dentro de un método. Y de lo anterior, se han dado cuenta los proveedores de estas herramientas y de ahí sus nuevos movimientos:

Para llegar ahí hace falta dejar de pensar en la IA como una herramienta mágica y empezar a pensar en ella como una parte del proceso.

Una forma práctica de hacerlo es elegir una sola tarea que se repita cada semana y construir alrededor de ella un pequeño playbook híbrido.

Ese playbook debería responder cinco preguntas:

1. Qué queremos conseguir.
   No “hacer un documento”, sino qué decisión, venta, análisis o acción debe facilitar.

2. Qué información necesita la IA.
   Notas, datos, ejemplos, restricciones, histórico, tono, público, formato.

3. Qué criterios definen un buen resultado.
   Qué debe incluir, qué debe evitar, qué profundidad esperamos, qué errores son frecuentes.

4. Qué no puede hacer sola.
   Prometer algo, enviar al cliente, decidir sobre una persona, aprobar un gasto, interpretar datos sensibles o cerrar una conclusión crítica.

5. Cómo aprendemos de cada corrección.
   Si siempre corregimos lo mismo, esa corrección debe convertirse en una nueva regla del sistema.

Esta última parte es la más importante. Si cada vez corriges a la herramienta desde cero, no estás construyendo una forma mejor de trabajar. Solo estás supervisando una herramienta rápida. El valor aparece cuando cada corrección mejora el proceso para la próxima vez. Esto también cambia el papel de la experiencia.

Durante años, muchas empresas han dependido de personas que “saben cómo hacerlo”: quien revisa una propuesta y detecta lo que falta, quien entiende al cliente, quien sabe qué tono no conviene usar, quien ve el riesgo escondido en una decisión aparentemente simple. Ese conocimiento es muy valioso, pero si vive solo en la cabeza de una persona, no escala.

Este tipo de herramientas obligan a hacerlo visible. No para reemplazar a quien sabe, sino para que ese criterio pueda convertirse en guía, ejemplo, checklist, plantilla, skill o flujo de revisión.

En ese sentido, el profesional más valioso no será quien use más herramientas, sino quien sepa convertir su experiencia en método.

Porque casi todos podrán generar más texto, más ideas, más resúmenes y más versiones. Lo difícil será producir mejor: con más contexto, menos errores, más coherencia y más intención.

Ahora piensa: ¿qué tarea importante de mi trabajo merece convertirse en un sistema híbrido?

Puede ser preparar reuniones, revisar campañas, responder a clientes, crear informes, analizar oportunidades, documentar procesos o evaluar propuestas. Elige una. Solo una. Y conviértela en algo repetible: entrada, criterio, salida, límites y revisión.

🗣️ Brain Bites:

Noticias que no te puedes perder:

- DeepSeek quiere diseñar sus propios chips para esquivar el bloqueo tecnológico

DeepSeek estaría preparando su entrada en el diseño de chips propios, un movimiento que responde directamente a las restricciones de Estados Unidos sobre la exportación de semiconductores avanzados a China que iniciaron hace unos meses. La compañía, conocida por desarrollar modelos competitivos frente a laboratorios occidentales, busca reducir su dependencia de Nvidia y de proveedores externos en un mercado donde el acceso al hardware se ha convertido en una ventaja estratégica.

La noticia encaja con una tendencia cada vez más clara: las empresas de IA ya no quieren depender solo del modelo, sino controlar más capas del stack. OpenAI, Meta, Google, Alibaba o Baidu ya se han movido hacia chips propios o hardware optimizado, y DeepSeek parece seguir esa misma lógica desde el lado chino. El objetivo no es únicamente abaratar costes, sino garantizar disponibilidad, sortear restricciones geopolíticas y adaptar el hardware a sus propias cargas de entrenamiento e inferencia.

El impacto: esto puede acelerar una fragmentación del ecosistema: modelos chinos corriendo sobre hardware chino, modelos estadounidenses sobre silicio propio o aliado, y una competencia global donde la ventaja ya no depende solo del algoritmo, sino de quién puede fabricar o asegurar la infraestructura que lo sostiene.

- La IA defensiva en ciberseguridad también empieza a preocupar por su posible uso ofensivo

Las herramientas de ciberseguridad basadas en IA prometen encontrar vulnerabilidades, acelerar auditorías y ayudar a equipos defensivos a responder con más velocidad. Pero el debate de esta semana vuelve a señalar una paradoja: la misma capacidad que permite detectar fallos antes que un atacante también puede servir para descubrir, encadenar y explotar vulnerabilidades si cae en manos equivocadas o si los controles de acceso no son suficientes.

El caso de modelos avanzados orientados a ciberseguridad ha reabierto una pregunta clave: ¿quién debería poder usar estas capacidades y bajo qué condiciones? Algunos análisis técnicos ya hablan de un “umbral ofensivo autónomo”, es decir, modelos capaces de ejecutar partes cada vez más amplias del ciclo de ataque en entornos controlados. El problema no es que la IA “haga ciberseguridad”, sino que la frontera entre herramienta defensiva y herramienta ofensiva se está volviendo más delgada.

El impacto: ya no basta con evaluar si una herramienta encuentra más vulnerabilidades; también hay que exigir controles de uso, trazabilidad, entornos auditados, límites de acceso y una política clara sobre qué capacidades se habilitan para cada perfil.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

- ChatGPT Work

OpenAI acaba de lanzar ChatGPT Work, y aquí la novedad no está en que “responda mejor”, sino en que empieza a moverse hacia algo más útil: hacer trabajo completo, no solo ayudarte a pensar. La idea es simple: tú le das un objetivo más amplio (investigar, analizar, preparar un documento, crear una presentación, montar un reporte o incluso un site) y Work puede avanzar por pasos, pedirte aprobación cuando haga falta y mostrarte el progreso mientras trabaja.

La diferencia frente al ChatGPT de siempre es importante. Antes, el flujo típico era: preguntas, recibes una respuesta, copias, ajustas y te vas a otra herramienta. Con Work, OpenAI intenta reducir ese salto: puede trabajar con archivos, apps conectadas y tareas más largas, hasta llegar a entregables terminados. No es solo “dame ideas para una presentación”, sino “prepara la presentación con estos materiales, organiza el contenido y déjame revisar el resultado”.

Donde puede aportar valor real es en el trabajo que normalmente se rompe en muchas microtareas: buscar información, ordenar fuentes, cruzar documentos, preparar un primer borrador, convertirlo en hoja de cálculo, presentación o informe, y dejarlo listo para revisar. También puede mantener proyectos en movimiento con Scheduled Tasks, ya sea una tarea puntual, repetida o basada en cambios.

La fricción está en el control. Cuanto más puede hacer una herramienta, más importante es definir qué puede tocar, qué requiere aprobación y qué datos puede usar. En web y móvil, Work está llegando primero a planes de pago, excepto Free y Go; Pro, Pro Lite, Enterprise y Edu lo reciben antes, y Plus y Business lo tendrán después. En Enterprise y Edu hay una vista previa de dos semanas, y Work empieza apagado por defecto durante ese periodo.

⚡ Corner:

Nuestra recomendación para esta semana:

- Lanzamos AI Marketing Challenge 2026: una beca para demostrar cómo aplicas la IA al marketing real

Inscríbete en el AI Marketing Challenge 2026 aquí:

Las herramientas de IA ya forman parte del trabajo diario de muchos equipos de marketing. Se utiliza para investigar, generar ideas, redactar mensajes, crear contenidos, editar piezas, automatizar tareas y analizar resultados.

Pero el verdadero salto está en saber integrarla dentro de una estrategia completa (justo lo que hemos hablado en el artículo principal de esta edición): elegir un objetivo, construir un mensaje, seleccionar los canales adecuados, medir el impacto y convertir una idea en una acción de marketing con sentido.

Por eso, desde Brain & Code, junto a ESDEN Business School y LIN3S, lanzamos el AI Marketing Challenge 2026, un reto pensado para profesionales que quieren demostrar cómo utilizan la IA en un proceso real de creación y comunicación.

¿En qué consiste el challenge?

• Crear una publicación, idealmente en formato vídeo, en tu red social favorita para promocionar tu candidatura al programa.

• La clave está en apoyarte en herramientas de IA en alguna fase del proceso: estrategia, investigación, guion, creación, edición, optimización o análisis.

El ganador conseguirá una beca completa para cursar la Especialidad en Marketing e Inteligencia Artificial, una formación de 250 horas, online y en directo, diseñada para aprender a aplicar la IA en el trabajo real del marketing.

Además, solo por inscribirte y participar en el challenge, recibirás un 30% de descuento directo en esta especialidad.

Una oportunidad para poner a prueba tu talento, experimentar con IA aplicada al marketing y acceder a una formación pensada para profesionales que quieren crear mejores contenidos, atraer clientes y construir estrategias más eficaces.

La inscripción es obligatoria para poder participar y estará abierta hasta el 16 de julio.

Inscríbete en el AI Marketing Challenge 2026 aquí:

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• El navegador vuelve a ser el centro de todo

• Meta quiere convertir su exceso de cómputo de IA en un negocio cloud

• El rechazo a los data centers de IA crece

• Claude Sonnet 5: inteligencia “casi Opus” a coste más operativo

• ChatGPT ya no es suficiente: llega el turno de los agentes de IA

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Herramienta: Images - 2 ChatGPT

🧠 Brain Pulse:

El tema de la semana:

🌐 # El navegador vuelve a ser el centro de todo

Con la llegada de la IA generativa, la búsqueda ha cambiado. Es más: se puede hablar de un cambio de paradigma.

Por mucho tiempo, buscar en internet significaba escribir unas palabras (clave), recibir una lista de enlaces y decidir por nuestra cuenta cuál abrir, cuál ignorar y cuál parecía más fiable. El navegador era, sobre todo, una puerta de entrada. Una barra donde escribías. Un lugar desde el que saltabas a otras páginas. Ahora esa lógica ha estado cambiando.

Cada vez más, el usuario no quiere solo encontrar una página. Quiere resolver una intención: comparar opciones, resumir información, revisar varias fuentes, completar una compra, organizar una investigación, preparar un viaje, entender un documento, rellenar un formulario o continuar una tarea que empezó en otra pestaña. La búsqueda deja de ser una lista de resultados y empieza a parecerse más a una conversación con contexto.

Chrome, Safari, Edge o Firefox competían por velocidad, compatibilidad, extensiones, sincronización y seguridad. Todo eso sigue importando. Pero la nueva competencia se está desplazando hacia otra pregunta: ¿qué navegador entiende mejor lo que estás intentando hacer?

Ahí entran propuestas como Perplexity Comet, ChatGPT Atlas, Dia, Opera Neon y otras experiencias que empujan una idea común: el navegador ya no solo muestra la web; intenta ayudarte a trabajar dentro de ella. Resume páginas. Relaciona pestañas. Recupera contexto. Responde sobre lo que estás viendo. Puede ayudarte a comparar información, completar pasos o convertir una sesión caótica de navegación en una tarea más ordenada.

Y esto importa porque el navegador es probablemente la herramienta digital más infravalorada de nuestro día a día.

Por ahí pasa casi todo: correo, calendario, documentos, banca, compras, CRM, herramientas internas, noticias, redes sociales, investigación, formación, facturación, presentaciones, analítica, reuniones, contraseñas, extensiones y datos de cliente. Para muchas personas, el navegador ya no es “una app más”. Es el escritorio real.

Tengamos en cuenta que un navegador más inteligente no siempre significa una experiencia mejor. También puede significar una experiencia más delicada.

Porque cuanto más entiende tu navegador, más contexto toca: historial, pestañas abiertas, documentos, búsquedas, cuentas iniciadas, formularios, correos, compras, contraseñas, extensiones, permisos, ubicación, hábitos de trabajo. Si antes el navegador era una ventana, ahora empieza a parecerse a una capa de interpretación sobre tu vida digital.

Este cambio obliga a pensar el navegador en tres capas:

1. Búsqueda: aquí la pregunta es cómo encuentras información: enlaces tradicionales, respuestas generadas, resúmenes, fuentes citadas, comparación de resultados o navegación asistida. El riesgo no está solo en equivocarse, sino en confundir una respuesta cómoda con una respuesta suficiente. Cuando la IA resume la web por ti, ahorras tiempo, pero también ves menos del camino.

2. Flujo de trabajo: el navegador deja de ser un lugar donde “miras cosas” y se convierte en un entorno donde haces cosas. Investigar, escribir, comparar, comprar, copiar datos, preparar documentos, conectar herramientas. El valor está en reducir fricción. El riesgo está en delegar pasos sin entender qué se está haciendo.

3. Confianza: esta es quizás la más importante. Un navegador actual concentra identidad, sesiones abiertas, historial, extensiones, tarjetas, contraseñas y permisos. Si además incorpora IA, la confianza no depende solo de que cargue rápido. Depende de qué datos usa, qué recuerda, qué puede hacer, qué envía fuera, qué controles te da y qué tan fácil es separar vida personal, trabajo y proyectos sensibles.

Por eso elegir navegador empieza a parecerse menos a elegir una marca y más a elegir un entorno de trabajo.

Para un usuario, puede significar separar navegadores por contexto: uno para trabajo, otro para uso personal, otro para pruebas o investigación sensible. Asi mismo revisar extensiones, limpiar permisos, desactivar sincronizaciones innecesarias o no iniciar sesión en todo desde todas partes.

Para una empresa, puede significar algo aún más concreto: definir qué navegadores están permitidos, qué extensiones se pueden instalar, cómo se gestionan perfiles, qué herramientas con IA pueden leer páginas internas, qué datos no deben pasar por asistentes externos y cómo se audita el uso de complementos que prometen productividad.

Si casi todo el trabajo pasa por la web, entonces el navegador no es decoración. Es infraestructura. Y si el navegador empieza a incorporar IA, agentes, memoria y automatización, entonces deja de ser solo infraestructura pasiva. Se convierte en una capa activa sobre el trabajo. Tres preguntas bastan para empezar:

• ¿Qué parte de mi trabajo pasa realmente por el navegador?

• ¿Qué datos, cuentas y permisos quedan concentrados ahí?

• ¿Qué funciones inteligentes quiero usar y cuáles prefiero mantener limitadas?

La nueva “guerra” de navegadores no se va a decidir solo por quién muestra mejor las páginas. Se va a decidir por quién se convierte en el mejor lugar para pensar, decidir y actuar en la web. Y eso tiene una consecuencia importante: la barra de búsqueda ya no es el centro. El centro es el contexto.

La tecnología que “gane” no será necesariamente la que encuentre más enlaces, sino la que entienda mejor una intención sin convertir nuestra vida digital en una caja negra.

PD. Si queréis conocer más sobre el tema, os dejamos el enlace al paper: The Adoption and Usage of AI Agents: Early Evidence from Perplexity

🗣️ Brain Bites:

Noticias que no te puedes perder:

- Meta quiere convertir su exceso de cómputo de IA en un negocio cloud

Meta estaría explorando una nueva línea de negocio: vender parte de su capacidad de cómputo de IA como servicio cloud. La idea llega después de años de inversión agresiva en data centers, GPUs e infraestructura para entrenar y servir modelos propios. Si se confirma, Meta pasaría de usar ese músculo principalmente para Facebook, Instagram, WhatsApp y sus modelos de IA, a competir, aunque sea de forma indirecta, con proveedores como AWS, Microsoft Azure, Google Cloud o CoreWeave.

El fondo del asunto es interesante: la infraestructura de IA es tan cara que las big tech empiezan a buscar formas de monetizar cada megavatio y cada GPU disponible. En lugar de mantener capacidad ociosa o sobredimensionada para picos internos, Meta podría convertirla en producto.

El impacto: esto refuerza una dependencia creciente de unos pocos actores capaces de financiar data centers a escala. La nube de IA podría volverse más competitiva en oferta, pero no necesariamente más barata si energía, chips y memoria siguen tensionados.

- El rechazo a los data centers de IA crece

En contraposición, de cierta forma a la noticia anterior, es que la carrera por construir más data centers está empezando a encontrar una resistencia cada vez más visible. En Estados Unidos, comunidades locales, reguladores y políticos están cuestionando nuevos proyectos por su impacto en consumo eléctrico, uso de agua, ruido, ocupación de suelo y presión sobre las facturas energéticas.

Para las diferentes compañías, inclusive para nosotros como usuarios finales, más data centers significan más capacidad para entrenar modelos, ejecutar asistentes, desplegar agentes y monetizar infraestructura. Pero para muchas comunidades, esos mismos centros representan nuevas líneas eléctricas, presión sobre recursos locales y beneficios no siempre claros. En varios estados ya se discuten moratorias, restricciones o condiciones más duras para aprobar proyectos de este tipo.

El impacto: el riesgo no será solo elegir proveedor o modelo, sino entender si la infraestructura que sostiene esos servicios podrá crecer al ritmo esperado sin chocar con límites políticos, ambientales y territoriales.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

- Claude Sonnet 5: inteligencia “casi Opus” a coste más operativo

Claude Sonnet 5 acaba de llegar esta semana y el mensaje de Anthropic es bastante claro: no busca ser “el modelo más espectacular”, sino el modelo que puedes usar todos los días para trabajo real sin disparar coste ni tiempos de espera ni fundirte los créditos de tokens en una sola tarea. Está disponible en todos los planes de Claude y pasa a ser el modelo por defecto para usuarios Free y Pro; en API llega con precio promocional hasta el 31 de agosto de 2026.

Lo interesante no está solo en que responda mejor, sino en que aguanta mejor tareas largas. Puede planificar, usar herramientas como navegador o terminal, revisar código, buscar información y seguir varios pasos sin quedarse a mitad de camino. Dicho simple: Sonnet 5 apunta menos al “chat que contesta” y más al asistente que puede avanzar trabajo con menos supervisión. Para perfiles técnicos, esto se nota en revisiones de código, debugging y cambios en proyectos grandes; para perfiles de negocio, en investigación, análisis de documentos, reporting o preparación de contenidos con más contexto.

La parte más práctica es el equilibrio entre potencia y coste. Anthropic lo posiciona cerca de Opus 4.8 en algunas tareas, pero con un precio más asumible, especialmente para usos frecuentes.

Veredicto: Sonnet 5 es probablemente más interesante que Opus para muchos equipos, no porque sea “mejor”, sino porque puede ser más usable a escala. Es el tipo de modelo que entra en el stack para tareas de todos los días: investigación, coding, revisión, análisis y automatización ligera.

⚡ Corner:

Nuestra recomendación para esta semana:

- ChatGPT ya no es suficiente: llega el turno de los agentes de IA

Muchas empresas han empezado a incorporar herramientas como ChatGPT, Copilot o Gemini en sus tareas diarias. Pero la evolución de la inteligencia artificial generativa ya apunta hacia un nuevo escenario: los agentes de IA (algo que hemos mencionado en varias ediciones).

Hablamos de sistemas capaces de razonar por pasos, ejecutar tareas, conectarse con herramientas, trabajar con información específica y automatizar procesos con mayor autonomía. Un cambio especialmente relevante para el sector financiero, donde analizar información, comparar escenarios y tomar decisiones con criterio forma parte del día a día.

Por eso, el próximo 8 de julio, José Marín Castillo, docente en Brain and Code y experto en IA y marketing, impartirá un webinar gratuito.

Una sesión organizada por Instituto BME en colaboración con Brain and Code, que servirá como antesala a FIME Certification: Financial Intelligence for the Markets and Economics, el programa que combina finanzas, inteligencia artificial y nuevas competencias digitales aplicadas al mercado financiero.

Durante la sesión, José Marín Castillo explicará qué diferencia a los agentes de IA de los chatbots tradicionales, por qué están marcando la evolución de la IA generativa y cómo pueden empezar a aplicarse en el ámbito financiero para analizar información, automatizar tareas y tomar mejores decisiones.

Una sesión pensada para aquellos financieros que quieren entender qué viene después de ChatGPT y cómo prepararse para una nueva forma de trabajar con la información financiera.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• La tecnología ya no siempre se abarata

• OpenAI presenta Jalapeño

• El Mundial 2026 se convierte en terreno fértil para estafas digitales

• Copilot Cowork

• IA, Marketing y Mundial de Fútbol

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Prompt: A 3D render of an abstract conceptual visualization showing technology prices climbing upward, with a luminous cyan circuit-board ribbon rising diagonally from lower-left to upper-right, carrying ascending geometric tech fragments through a deep navy scene.

Herramienta: Ideogram 4.0

🧠 Brain Pulse:

El tema de la semana:

📈 La tecnología ya no siempre se abarata.

Durante décadas compramos tecnología con una idea casi invisible en la cabeza: si esperábamos un poco, lo siguiente sería mejor, más rápido y, muchas veces, más barato.

Esa expectativa no salió de la nada. Se apoyaba en una de las reglas más famosas de la industria tecnológica: la ley de Moore. En los años sesenta, Gordon Moore observó que el número de transistores en un chip tendía a duplicarse aproximadamente cada dos años sin que el coste creciera al mismo ritmo. Dicho de forma simple: cada nueva generación podía meter más capacidad en menos espacio, y eso empujaba ordenadores, móviles, consolas y servidores a ser más potentes por un precio relativamente accesible.

Durante mucho tiempo, esa lógica moldeó nuestra relación con la tecnología. Un portátil comprado unos años después era más rápido que el anterior. Un móvil nuevo hacía más cosas por un precio parecido. El almacenamiento bajaba. La memoria parecía cada vez más abundante. Esperar solía jugar a favor del comprador.

Pero esa regla mental empieza a fallar. De hecho, desde hace un buen tiempo. No porque la innovación se haya detenido. Los chips siguen avanzando, los dispositivos siguen mejorando y las empresas siguen encontrando formas de exprimir más rendimiento. Lo que cambia es el suelo sobre el que se construye todo eso. La tecnología ya no depende solo de que los chips sean más eficientes. Depende de memoria, almacenamiento, energía, fábricas, agua, minerales, rutas comerciales, regulación, aranceles y centros de datos compitiendo por los mismos componentes que terminan en nuestros dispositivos.

Durante años, la conversación sobre tecnología se centró en el avance: más potencia, más velocidad, más funciones, más pantallas, más almacenamiento. Ahora hay que añadir otra capa: la exposición. Exposición a costes energéticos. Exposición a tensiones geopolíticas. Exposición a proveedores concentrados. Exposición a cambios regulatorios. Exposición a fábricas que necesitan cantidades enormes de agua y electricidad para producir chips cada vez más avanzados.

La política entra cuando los países deciden proteger semiconductores, subvencionar fábricas, imponer restricciones de exportación, revisar cadenas de suministro o aplicar aranceles.

Así mismo, fabricar chips y otros componentes avanzados exige energía estable, agua, refrigeración e infraestructuras muy precisas. Si una región clave sufre sequías, presión sobre la red eléctrica, eventos extremos o restricciones ambientales, el impacto no se queda en la fábrica. Viaja por la cadena. Puede retrasar producción, encarecer componentes, reducir disponibilidad y empujar a las empresas a pagar más por asegurarse suministro.

Y esto cambia una idea muy importante: el precio de la tecnología ya no depende únicamente de lo rápido que avanza la tecnología. Depende también de dónde se fabrica, con qué energía, bajo qué reglas, con qué materiales, en qué contexto político y con qué competencia por los mismos recursos.

Pero la conclusión no es “todo será más caro”. Esa conclusión es demasiado simple y no ayuda a decidir. Ahora comprar tecnología empieza a parecerse menos a comprar moda y más a gestionar infraestructura. Lo que compro/adquiero, cuánto tiempo va a durar, cuánto costará mantenerlo, qué piezas se pueden ampliar, qué actualizaciones recibirá, qué dependencia crea y qué riesgo asume la empresa si tiene que renovar todo en el peor momento del ciclo de precios.

Para un usuario, quizá el mejor móvil ya no es el más nuevo, sino el que puede aguantar cuatro o cinco años con buena batería, actualizaciones y almacenamiento suficiente. Para una empresa, quizá el mejor ordenador no es el más barato en la compra inicial, sino el que reduce incidencias, dura más ciclos, tiene buen soporte y no obliga a renovar antes de tiempo. Para un equipo técnico, quizá el ahorro no está en comprar menos, sino en comprar mejor dimensionado.

La “inflación tecnológica” también obliga a mirar con más cuidado las falsas economías. Comprar un dispositivo con poca memoria o poco almacenamiento puede parecer sensato el primer día, pero salir caro a mitad de vida.

Si los precios de memoria, almacenamiento, energía o dispositivos se vuelven más volátiles, renovar equipos, contratar nube, ampliar servidores o elegir proveedores deja de ser un trámite. Se convierte en planificación.

La ley de Moore nos acostumbró a una promesa cultural: más capacidad, menos coste, menos espera. Esa promesa no ha desaparecido del todo, pero ya no se puede dar por garantizada en cada dispositivo ni en cada compra. Comprar mejor, cuidar más, alargar vida útil, elegir con criterio y entender la cadena que hay detrás de cada dispositivo se vuelve una forma de inteligencia digital. No tan llamativa como estrenar el último modelo, pero mucho más estratégica.

🗣️ Brain Bites:

Noticias que no te puedes perder:

- OpenAI presenta Jalapeño

A propósito de nuestro artículo principal —“La tecnología ya no siempre se abarata”—, OpenAI acaba de mover una ficha importante en la infraestructura de IA: junto a Broadcom, presentó Jalapeño, su primer chip propio diseñado para inferencia, es decir, para ejecutar modelos como ChatGPT cuando responden, razonan o realizan tareas en tiempo real.

La noticia no va solo de hardware. Hasta ahora, OpenAI ha dependido en gran medida de GPUs y capacidad cloud de terceros para sostener sus productos. Con Jalapeño, la compañía busca tener más control sobre una de las partes más caras y críticas del negocio: el coste de servir IA a millones de usuarios. En un mercado donde los chips avanzados son escasos, caros y estratégicos, diseñar silicio propio se está convirtiendo en una forma de reducir dependencia y ganar margen operativo.

El impacto: detrás de cada asistente, agente o copiloto hay una cadena física de chips, energía, memoria y data centers que condiciona precio, disponibilidad y velocidad de despliegue. Y esa es precisamente la conexión con el tema de fondo: la tecnología puede seguir mejorando, pero no necesariamente será más barata si cada salto exige una infraestructura más especializada y costosa.

- El Mundial 2026 se convierte en terreno fértil para estafas digitales cada vez más difíciles de detectar

A medida que crece la expectación por el Mundial 2026, también aumenta la actividad de ciberdelincuentes que están usando el evento como gancho para lanzar fraudes de entradas, webs falsas, tiendas fraudulentas, supuestos servicios de viaje y campañas de phishing. Investigaciones citadas por WIRED y otros medios identificaron más de 4.300 dominios fraudulentos que imitaban la presencia oficial de FIFA, junto con varios esquemas paralelos y grupos independientes operando antes del torneo.

Lo preocupante no es solo el volumen, sino la calidad del engaño. Las estafas ya no se limitan al típico correo mal redactado: ahora combinan dominios convincentes, páginas clonadas, anuncios en redes, QR falsos, promesas de streaming gratuito y ofertas demasiado buenas para ser reales. En un evento global, con millones de aficionados buscando entradas, alojamiento, visados o retransmisiones, el margen para el error aumenta porque los usuarios están actuando con prisa y emoción.

El impacto: la recomendación no es desconfiar de todo, sino reducir exposición: comprar entradas solo en canales oficiales, evitar enlaces recibidos por mensajes o anuncios, revisar dominios con calma, no escanear QR de origen dudoso y desconfiar de servicios “urgentes” de visados o paquetes de viaje.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

- Copilot Cowork

Sabemos que muchos de nuestros clientes y lectores ya trabajan con Microsoft Copilot en su día a día: resúmenes de reuniones, borradores de correos, búsqueda en documentos, ayuda en Word, Excel o Teams. Pero Copilot Cowork apunta a una fase distinta: no se queda en “te doy una respuesta”, sino que puede hacer tareas dentro de Microsoft 365. Microsoft lo lanzó con disponibilidad general mundial para clientes de Microsoft 365 Copilot el 16 de junio de 2026.

La diferencia práctica es sencilla: con Copilot tradicional, tú preguntas y luego ejecutas; con Cowork, tú describes el resultado y el agente propone pasos para avanzar. Puede ayudarte a redactar y enviar correos, programar reuniones, crear documentos, publicar en Teams o gestionar calendario, siempre con una capa de aprobación antes de acciones sensibles. Es decir: no es solo “ayúdame a escribir”, sino “prepara esto, coordina esto y déjamelo listo para revisar”.

Donde puede aportar valor real es en tareas de coordinación que consumen tiempo pero no siempre requieren creatividad: preparar una reunión con contexto, convertir un hilo en acciones, hacer seguimiento por correo, montar un primer documento a partir de material disperso o coordinar disponibilidad. Para organizaciones que ya viven en Outlook, Teams, Word, Excel y SharePoint, el atractivo es claro: no obliga a cambiar de stack, sino que intenta operar dentro del entorno donde ya está el trabajo.

Veredicto: Copilot Cowork tiene sentido para equipos que ya usan Microsoft 365 de forma intensiva y pierden muchas horas en coordinación, seguimiento y preparación de documentos. No es tan interesante para quien solo usa Copilot como “chat para resumir cosas”. La prueba sería elegir tres tareas repetitivas y medir si reduce pasos sin generar más revisión de la que ahorra.

⚡ Corner:

Nuestra recomendación para esta semana:

- IA, marketing y Mundial de Fútbol

El Mundial de Fútbol es uno de los grandes eventos mediáticos del año. Para los equipos de marketing, también será una oportunidad para activar campañas, adaptar mensajes, generar contenidos y competir por la atención en un entorno especialmente saturado.

Pero en un contexto así, no basta con tener una buena idea. Hace falta saber convertir esa idea en una campaña: detectar oportunidades, construir mensajes y medir resultados durante todo el proceso.

Ahí es donde la inteligencia artificial puede aportar mucho más que generación de contenidos.

Por eso, desde Brain & Code, junto a ESDEN Business School y LIN3S, participaremos en el evento online:

En nuestra intervención, José Marín, docente en Brain & Code y experto en IA y marketing, mostrará cómo utilizar la IA de forma práctica para pasar de los insights a campañas, mensajes, contenidos, creatividades y adaptaciones por canal.

Además, el evento contará con otras ponencias para completar la visión: desde el análisis y medición de campañas con IA, de la mano de Aitor Casal, CEO y fundador de LIN3S Sports & Entertainment, hasta la construcción de un flujo de marketing con IA aplicable al día a día de los equipos.

El objetivo no es hablar de IA en abstracto, sino utilizar el Mundial como caso práctico para mostrar cómo un equipo de marketing puede apoyarse en la inteligencia artificial para crear campañas más ágiles, estratégicas y orientadas a resultados.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Cómo poner reglas sin matar la productividad

• AMD quiere llevar la IA generativa del cloud al escritorio

• Meta y Reliance preparan un data center de IA de 168 MW en India

• Aprende a aplicar la IA en tu trabajo en menos de 14 horas

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Herramienta: Images2 - ChatGPT

🧠 Brain Pulse + 🦾 Toolkit:

El tema de la semana:

📄 Cómo poner reglas sin matar la productividad

La IA no entra en una empresa el día que alguien compra una licencia corporativa. Entra mucho antes. Entra cuando una persona pega un correo en ChatGPT para responder más rápido. Cuando otra resume una reunión con una herramienta de transcripción. Cuando marketing genera una imagen para una campaña. Cuando ventas usa un asistente para preparar una propuesta. Cuando alguien sube un contrato, una hoja de cálculo o una presentación a una plataforma externa porque “solo quería ahorrar tiempo”.

Estamos viendo que la adopción de IA no siempre empieza por una estrategia o bajo una gobernanza. Muchas veces empieza por una urgencia o simple curiosidad.

Y no necesariamente con mala intención. La mayoría de estos usos nacen de algo muy humano: ahorrar tiempo, desbloquear una tarea, escribir mejor, entender más rápido, llegar a una entrega. El problema no es que los equipos usen IA. El problema es que muchas empresas todavía no saben dónde, cómo, con qué datos y bajo qué límites se está usando.

La legislación europea está empujando justo en esa dirección. El AI Act no convierte la IA en un tema solo jurídico; la convierte en un tema de gestión. Desde febrero de 2025, el artículo 4 exige alfabetización en IA: que quienes trabajan con sistemas de IA tengan conocimientos suficientes para usarlos de forma informada. Y, desde agosto de 2025, también empezaron a aplicarse obligaciones sobre modelos de propósito general, especialmente para los proveedores: documentación, transparencia, políticas de copyright y medidas adicionales cuando existen riesgos sistémicos.

La pregunta útil para una empresa no es solo si tiene una política de IA. Es si puede responder algo mucho más concreto: qué herramientas se usan, para qué tareas, con qué datos, quién revisa el resultado y qué cosas no se pueden delegar.

Ahí empieza la gobernanza real. No en un PDF eterno que nadie lee, sino en reglas simples que ayuden a trabajar mejor sin convertir cada uso de IA en una ruleta de datos, permisos y responsabilidades.

La primera pieza es el inventario. No puedes gobernar lo que no sabes que existe. La segunda pieza es clasificar los usos. No todas las tareas tienen el mismo riesgo. Pedirle a una IA que ordene ideas para una presentación interna no se parece a pedirle que revise un contrato de cliente. Resumir un texto público no se parece a analizar datos personales. Crear un borrador no se parece a tomar una decisión sobre una persona.

Una forma simple de empezar es usar un semáforo:

• Verde: ideas, borradores, resúmenes de información pública, mejora de estilo, preparación de estructuras, documentación no sensible.

• Amarillo: documentos internos, datos de clientes, análisis financiero, comunicación externa, código propietario, propuestas comerciales.

• Rojo: decisiones legales, médicas, financieras o laborales; evaluación de personas; tratamiento de datos sensibles; automatizaciones que ejecutan acciones sin revisión humana.

La tercera pieza es la regla de datos. Esta es probablemente la más importante. El riesgo de una herramienta de IA no depende solo de lo inteligente que sea el modelo, sino de lo que le entregas. Un asistente conectado a documentos internos no es lo mismo que un chatbot aislado. Una herramienta con acceso al correo no es lo mismo que una ventana donde escribes una pregunta genérica.

La cuarta pieza es separar ayuda de decisión. La IA puede proponer, resumir, comparar, traducir, detectar patrones o preparar alternativas. Pero eso no significa que deba decidir. Una buena política interna no dice simplemente “usa IA con cuidado”. Dice en qué casos la IA puede generar un borrador, cuándo debe haber revisión humana, quién firma el resultado final y qué decisiones nunca deberían automatizarse.

Por otra parte, la quinta pieza es formar por rol. No necesita saber lo mismo una persona de marketing que alguien de legal, finanzas, recursos humanos, producto o desarrollo. La alfabetización en IA no debería ser una charla genérica sobre prompts. Debería enseñar riesgos y usos según el trabajo real de cada equipo: qué pueden hacer, qué datos manejan, qué errores son probables y cuándo deben escalar una duda.

Prohibir todo suele ser una mala estrategia. La gente buscará atajos, usará cuentas personales o moverá el problema a espacios menos visibles. Permitir todo también es una irresponsabilidad. Una empresa madura debería poder responder cinco preguntas sin convocar una crisis:

1. ¿Qué herramientas están permitidas?

2. ¿Qué datos pueden usarse en cada una?

3. ¿Qué tareas requieren revisión humana?

4. ¿Quién es responsable del resultado final?

5. ¿Cuándo hay que detenerse y pedir validación?

Si una empresa no puede responder eso, no tiene una estrategia o una gobernanza de IA. Tiene una colección de usos sueltos.

Y esa quizá sea la diferencia entre adoptar y gobernar. Adoptar es abrir acceso. Gobernar es diseñar el contexto para que ese acceso no se vuelva un riesgo invisible.

La conclusión no es que haya que frenar la IA generativa. Sería absurdo.

🗣️ Brain Bites:

Noticias que no te puedes perder:

- AMD quiere llevar la IA generativa del cloud al escritorio

AMD está empujando Ryzen AI Halo como una plataforma pensada para ejecutar modelos de IA generativa y flujos agentic directamente en local, sin depender siempre de grandes proveedores cloud. La propuesta combina hasta 128 GB de memoria unificada, soporte para modelos de gran tamaño —AMD habla de hasta 200.000 millones de parámetros— y compatibilidad con herramientas habituales del ecosistema open source como Ollama, LM Studio, llama.cpp, PyTorch, ComfyUI, vLLM y ROCm. En otras palabras: no está pensado solo como un chip más potente, sino como una forma de convertir workstations y PCs profesionales en pequeños entornos de IA privada.

Lo interesante es el cambio de enfoque. Durante los últimos años, la conversación/relato sobre IA ha estado dominada por data centers, GPUs en la nube y APIs de terceros; de hecho, en esta newsletter hemos hablado en muchas ocasiones de ello. AMD plantea otra vía: que equipos de desarrollo, diseño, investigación, legal, banca o salud puedan probar, ajustar y ejecutar modelos dentro de su propio entorno, con más control sobre datos sensibles, latencia y costes. Esto no reemplaza al cloud para entrenar o escalar modelos enormes, pero sí abre una capa intermedia muy útil: prototipar agentes, automatizar tareas internas, trabajar con documentación privada o generar contenido sin enviar cada consulta a un servidor externo.

El impacto: la IA empieza a descentralizarse. Para empresas con restricciones de privacidad, compliance o coste, la IA local y bajo este tipo de impulsos puede convertirse en una alternativa práctica para ciertos casos de uso: asistentes internos, análisis documental, automatización de procesos, creación visual o desarrollo de software. Y para el mercado, el mensaje es claro: la próxima batalla no será únicamente entre modelos, sino entre arquitecturas de despliegue (cloud, edge, workstation local o híbridas) y AMD quiere estar en esa conversación.

- Meta y Reliance preparan un data center de IA de 168 MW en India

Meta y Reliance Industries han firmado un acuerdo para desarrollar un data center de IA de 168 MW en Jamnagar, Gujarat, el primero de Meta en India bajo un modelo “built-to-suit”. Reliance se encargará del diseño, construcción, operación de servicios, energía renovable, conectividad y servicios gestionados, mientras Meta arrendará capacidad dentro del campus.

El proyecto marca un paso importante en la estrategia de infraestructura de Meta: India deja de ser solo un mercado masivo de usuarios y se convierte en una ubicación clave para cómputo. Según la información publicada por Meta, el centro estará alimentado por energía renovable y refrigerado con agua de mar desalinizada, con Meta cubriendo el coste completo de energía y agua asociada a la instalación. Además, Reliance plantea el campus de Jamnagar como parte de una infraestructura hyperscale con capacidad de expansión.

El impacto: India se posiciona como nodo estratégico para Big Tech, no solo por volumen de población, sino por su capacidad de atraer inversiones en data centers, cloud e IA local. Quizás lo anterior a raíz de los bloqueos para la construcción de datacenters en otras latitudes.

Si queréis conocer más sobre la noticia y Reliance:

⚡ Corner:

Nuestra recomendación para esta semana:

- Aprende a aplicar la IA generativa en tu trabajo en menos de 14 horas.

Cada vez somos más conscientes de la cantidad de tiempo que puede ahorrar la inteligencia artificial generativa cuando se utiliza bien. Tareas que antes consumían mucho tiempo y esfuerzo mental hoy pueden resolverse de forma más ágil, ordenada y eficiente.

Eso sí, hay una diferencia clara entre probar herramientas sueltas y saber utilizarlas con método, criterio y aplicación real. Ese es el verdadero salto diferencial.

Por eso, desde The AI Business School, una colaboración entre Brain & Code y ESDEN, hemos lanzado el Programa Intensivo de Inteligencia Artificial.

Una formación 100% online pensada para quienes quieren aprender a aplicar la IA generativa en poco tiempo y sin necesidad de conocimientos técnicos previos.

En menos de 14 horas trabajarás prompting, tratamiento de documentos, análisis de datos con IA generativa, búsqueda de información, agentes conversacionales, workflows, creatividad, productividad y liderazgo ético.

Si quieres dejar de usar la IA de forma puntual y empezar a integrarla en tus tareas del día a día, esta semana es un buen momento para dar el paso.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Perseguir cada lanzamiento empieza a ser mala estrategia

• Anthropic apaga Fable 5 y Mythos 5 tras una orden del gobierno de EE. UU.

• China inaugura un data center submarino alimentado por energía eólica

• Lovable

• “Grandes Retos – IA en las bodegas”

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Prompt: A stylized semi-realistic illustration of a crowded futuristic showroom floor where three overwhelmed workers sift through thousands of glowing holographic AI model cards arranged in a dense grid on a massive curved back wall, with cool blue-cyan hologram light dominating the scene.

Herramienta: Ideogram 4.0

🧠 Brain Pulse:

El tema de la semana:

🏃‍♂️‍➡️ Perseguir cada lanzamiento de modelos empieza a ser mala estrategia.

Sale uno nuevo, alguien lo prueba, otro dice que razona mejor, otro que escribe más natural, otro que programa más rápido. Y así, casi sin darnos cuenta, la conversación vuelve al mismo sitio: ¿qué herramienta usamos esta semana? No, ¿qué problema estamos resolviendo?

La escena es reconocible: un equipo que hace unos meses usaba una sola herramienta ahora tiene un pequeño zoológico de herramientas con distintos modelos. Uno para redactar, otro para investigar, otro para razonar, otro para imágenes, otro para código, otro porque alguien vio una demo impresionante en LinkedIn. Cada cambio promete una mejora pequeña: más precisión, más contexto, más velocidad, más creatividad. Y muchas veces la mejora existe. El problema es el coste invisible de perseguirla; al final, todo impacta en el tiempo y en la capacidad de escalar.

El contexto no ayuda. Los grandes lanzamientos ya no traen solo un modelo nuevo; traen familias completas de modelos, asistentes, agentes, herramientas creativas, funciones de búsqueda, capacidades multimodales y nuevas integraciones. La oferta crece más rápido que la capacidad de cualquier equipo para evaluarla con calma. Y ahí nace la fatiga: no por falta de opciones, sino por exceso de posibilidades.

Pero el mejor modelo no siempre es el más potente. A veces es el más estable. El más barato. El que responde suficientemente bien. El que tu equipo ya entiende. El que se integra sin romper el proceso. El que no te obliga a rediseñar cómo trabajas cada dos semanas.

La madurez con IA empieza cuando dejas de preguntar cuál es el mejor modelo y empiezas a preguntar cuál es el modelo suficiente para esta tarea.

Ahí está el valor práctico: no necesitas una comparativa infinita. Necesitas una pequeña cartera de modelos, igual que en una empresa no todo viaje se hace en avión privado ni todo envío necesita mensajería urgente. Hay tareas que piden velocidad. Otras piden profundidad. Otras piden formato. Otras solo piden consistencia. Una regla simple sería esta:

• Modelo rápido: para resumir, ordenar notas, reescribir, clasificar, preparar borradores o sacar primeras versiones.

• Modelo de razonamiento: para decisiones con varias variables, análisis de riesgos, estrategia, revisión crítica o problemas donde una respuesta superficial sale cara.

• Modelo especializado: para código, imagen, audio, datos o tareas donde el formato pesa tanto como la respuesta.

• Modelo estable: para tareas repetidas donde importa más que el resultado salga siempre parecido que tener la última mejora disponible.

Esto evita uno de los errores más comunes: usar el modelo más potente para todo. Parece una decisión segura, pero muchas veces es una forma cara de no pensar. Es más lento, consume más, cuesta más y no siempre mejora el resultado. No necesitas un camión para llevar una mochila.

La otra pregunta importante es cuándo cambiar. Y aquí conviene ser bastante disciplinado: no cambies de modelo por curiosidad; cambia por evidencia. Cambia si reduce errores repetidos. Cambia si baja costes sin perder calidad. Cambia si desbloquea una tarea que antes no podías hacer. Cambia si mejora una decisión importante. Pero si el nuevo modelo solo produce respuestas un poco más bonitas, quizá no merece alterar tu sistema de trabajo.

Perseguir modelos da sensación de movimiento. Diseñar reglas de uso da continuidad.

Así que, antes de cambiar de herramienta, cambia la pregunta. No preguntes si el nuevo modelo es mejor. Pregunta mejor en qué, para quién, en qué tarea, con qué coste y con qué impacto real en tu trabajo. Si no puedes responder eso, no estás eligiendo tecnología. Estás alquilando atención.

🗣️ Brain Bites:

Noticias que no te puedes perder:

- Anthropic apaga Fable 5 y Mythos 5 tras una orden del gobierno de EE. UU.

Anthropic confirmó en su web que recibió una directiva de control de exportaciones del gobierno estadounidense para suspender el acceso a Fable 5 y Mythos 5 por parte de cualquier persona extranjera, incluso si se encuentra dentro de Estados Unidos o trabaja en la propia compañía. La consecuencia fue inmediata: Anthropic tuvo que desactivar ambos modelos para todos sus clientes para garantizar cumplimiento, aunque aclaró que el resto de modelos de Claude no se ven afectados.

La diferencia entre ambos modelos es clave para entender la noticia. Fable 5 es el nuevo modelo “general” de Anthropic: una versión de quinta generación pensada para trabajo complejo, programación avanzada, tareas largas, agentes y análisis de conocimiento, con salvaguardas reforzadas para bloquear o redirigir solicitudes sensibles en áreas como ciberseguridad, biología o química. Mythos 5, en cambio, era el modelo más potente y restringido: Anthropic lo define como su modelo más capaz para investigación en ciberseguridad y biología, disponible solo para un grupo reducido de socios verificados; de hecho, la compañía explica que Mythos 5 comparte el mismo modelo base que Fable 5, pero con ciertas salvaguardas levantadas para usos controlados de defensa e investigación.

El impacto: El caso muestra hasta qué punto los modelos están entrando en una zona de tensión entre producto, seguridad nacional y regulación. La lección es práctica: no basta con evaluar precisión o coste; también hay que prever riesgo de disponibilidad, dependencia de proveedor, restricciones geopolíticas y planes de contingencia si un modelo queda bloqueado de un día para otro.

- China inaugura un data center submarino alimentado por energía eólica

China ha puesto en marcha frente a Shanghái el primer centro de datos submarino alimentado por energía eólica, con una capacidad inicial de 24 MW. El complejo, ubicado en la zona especial de Lin-gang, está sumergido a unos 10 metros de profundidad y utiliza el agua de mar como sistema natural de refrigeración, reduciendo de forma significativa uno de los mayores costes energéticos de los data centers tradicionales: el enfriamiento.

El proyecto, desarrollado por HiCloud Technology y China Communications Construction, supuso una inversión de unos 1.600 millones de yuanes, aproximadamente 236 millones de dólares. Según WIRED y otros medios, el diseño busca que la refrigeración represente menos del 10% del consumo energético, frente al 40–50% habitual en instalaciones convencionales, con un objetivo de eficiencia PUE ≤ 1,15. Las autoridades chinas también afirman que el complejo usará más del 95% de electricidad verde, reducirá el consumo energético un 22,8% y minimizará el uso de suelo y agua.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

- Lovable

Lovable es una herramienta muy potente para crear webs, apps y prototipos con IA sin tener que programar desde cero. Su mayor ventaja es la rapidez: puedes describir una idea en lenguaje natural y obtener una primera versión funcional en poco tiempo.

Lovable es excelente para pasar de idea a prototipo funcional en muy poco tiempo (MVPs, landing pages, dashboards y proyectos internos). Su experiencia es fluida, visualmente atractiva y bastante potente gracias a integraciones como Supabase y GitHub. Su mayor riesgo es que la facilidad de uso puede hacerte pensar que una app está lista para producción cuando todavía necesita hardening técnico.

⚡ Corner:

Nuestra recomendación para esta semana:

- “Grandes retos – IA en las bodegas”

Un evento organizado por la Fundación para la Cultura del Vino en CaixaForum Madrid.

De la mano de Alex Rayón Jerez, hemos compartido una visión práctica sobre cómo la inteligencia artificial puede ayudar al sector bodeguero a mejorar procesos, tomar mejores decisiones y detectar nuevas oportunidades de negocio.

Esa mirada aplicada ha sido uno de los hilos conductores de la jornada, también presente en las intervenciones de compañías como DHL y SACYR, que han mostrado cómo la IA está dejando de ser una promesa de futuro para convertirse en una palanca real de transformación en sectores muy diversos.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Cuando la identidad también se puede fabricar

• El AI Act aterriza en las empresas

• Claude Design

• La innovación ya no es un discurso: es integración y resultados

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Prompt: A stylized split-face portrait photograph of a young woman whose left half is rendered as clean photographic realism while her right half dissolves into a glowing cyan-and-magenta low-poly wireframe mesh along a vertical seam down the center of her face.

Herramienta: Ideogram 4.0

🧠 Brain Pulse:

El tema de la semana:

🕵️ Cuando la identidad también se puede fabricar

Durante años, un CV bien armado, una carta convincente y una entrevista correcta servían para construir una primera impresión. No eran pruebas absolutas, pero funcionaban como señales. Decían algo sobre la persona: cómo se explicaba, cómo ordenaba su experiencia, qué entendía del puesto, qué esfuerzo había puesto en presentarse.

Hoy una persona puede adaptar su CV a una oferta en minutos. Puede generar una carta impecable, practicar respuestas con un asistente, reformular su experiencia para sonar más estratégica, preparar ejemplos, limpiar debilidades y construir una narrativa profesional muy coherente. Eso no es necesariamente malo. De hecho, para mucha gente puede ser una ayuda legítima. El problema aparece cuando todo el mundo puede parecer más claro, más preparado y más alineado de lo que realmente está.

Ahí nace la crisis: no de identidad en sentido legal, sino de identidad profesional. La diferencia entre ser competente y parecer competente se estrecha. Y cuando esa distancia se estrecha demasiado, contratar se vuelve más difícil.

Este cambio ya se nota en el mercado. Algunas empresas están quitando importancia a cartas de presentación e inclusive al CV porque cada vez aportan menos señal real. Los reclutadores reciben materiales más pulidos, pero no siempre más honestos o más útiles. El resultado es una especie de inflación de credenciales: más brillo en la superficie, menos capacidad para distinguir quién puede hacer realmente el trabajo.

Y en el extremo más oscuro aparece el fraude: candidatos deepfake, identidades sintéticas, perfiles fabricados, entrevistas asistidas o incluso operaciones organizadas para entrar en empresas remotas. Pero quedarse solo en ese extremo sería perder la parte más interesante. El gran cambio no está únicamente en el impostor sofisticado. Está en que la apariencia profesional se ha vuelto más fácil de fabricar para todos.

Pero esto no significa que haya que desconfiar de cada candidato ni convertir la contratación en un interrogatorio. Significa que las empresas tienen que dejar de evaluar solo la presentación y empezar a evaluar mejor el trabajo en contexto. También es cierto que cada vez es más complicado detectar un deepfake:

El valor ya no está en preguntar únicamente qué has hecho. Está en ver cómo piensas cuando el problema no viene perfectamente empaquetado. Cómo priorizas cuando falta información. Cómo explicas una decisión. Cómo reaccionas cuando algo no sale. Cómo trabajas con restricciones reales.

En un mercado lleno de perfiles perfectamente redactados, destacar no será escribir mejor que una IA. Será demostrar criterio de una forma que no se pueda maquillar tan fácil. Es decir, buscar una forma de mostrar pensamiento crítico y no solo resultados.

La contratación entra así en una etapa interesante. Las señales superficiales pierden fuerza y las pruebas vivas ganan peso. Las referencias importan más. Los periodos iniciales se vuelven más relevantes. El onboarding deja de ser un trámite y se convierte en parte de la validación. La confianza ya no se concede solo por una buena entrevista; se construye con evidencia.

La conclusión es sencilla: la IA no ha destruido la selección de talento, pero sí ha roto/cambiado algunas de sus señales tradicionales. Cuando parecer competente cuesta casi cero, demostrar competencia vuelve a ser lo valioso.

Y quizá esa sea la lección más útil de esta etapa: en la era de la IA, no “ganará” quien tenga el perfil más pulido. Ganará quien pueda enseñar y demostrar cómo piensa y hace las cosas y las aplica en un escenario real.

🗣️ Brain Bites:

Noticias que no te puedes perder:

- El AI Act aterriza en las empresas

El 2 de agosto de 2026 marca la fecha general de aplicación del EU AI Act: el reglamento pasó de “aprobado” a operativo y, desde ahí, el cumplimiento deja de ser un plan a futuro y se convierte en un tema de gobernanza, supervisión y evidencia dentro de las organizaciones.

Lo más destacable para “empresas no tecnológicas” es que el AI Act también aplica al rol de deployer (quien implementa/usa IA): si tu equipo usa IA para redactar, traducir, atender clientes, filtrar CVs, analizar riesgo o automatizar procesos, ya no basta con tener una política en un PDF. La norma empuja a demostrar que la organización entiende qué IA usa, para qué y con qué riesgos, y ahí aparece el requisito más transversal (y fácil de pasar por alto): la alfabetización en IA.

Lo anterior lo podemos ver reflejado en el Artículo 4 (AI Literacy): el artículo exige que proveedores e implementadores tomen medidas para garantizar un nivel suficiente de alfabetización en IA del personal y de “otras personas” que operen o usen IA en su nombre (por ejemplo, contratistas o proveedores). No se trata de un curso genérico, sino de un enfoque situacional: debe ajustarse al conocimiento/experiencia/formación de las personas, al contexto de uso y a quién afecta el sistema. Importante: el propio marco aclara que no obliga a “medir” formalmente el conocimiento de cada empleado ni exige certificados; pero sí espera que la empresa pueda acreditar acciones (formación, guías, prácticas internas) y mantener registros internos.

En la práctica, esto convierte el “AI literacy” en una obligación auditable: tendrás que poder enseñar qué formación diste, a quién, con qué alcance y por qué es suficiente para el riesgo real de tus usos de IA. El paso operativo para llegar a agosto sin improvisar es claro: inventario de herramientas de IA (incluyendo “shadow AI”), segmentación por riesgo y rol (usuarios, supervisores, técnicos, proveedores), contenidos mínimos por caso de uso (alucinaciones, datos sensibles, sesgos, propiedad intelectual) y una trazabilidad simple pero consistente de que la organización sí tomó medidas y no dejó el tema a la buena voluntad de cada equipo.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

- Claude Design

Claude Design es la nueva herramienta experimental de Anthropic que permite crear prototipos, diapositivas y material visual simplemente describiendo lo que necesitas. Lo más interesante no es lo que produce, sino cómo lo hace: refinas el resultado a través de conversación, comentarios o sliders generados por el propio Claude, lo que lo hace sentir más como trabajar con un colega que usar un software.

Lo que realmente distingue a Claude Design de otros generadores de UI es su motor de prototipado: no es simplemente un generador de imágenes, sino que construye versiones funcionales y navegables que se pueden iterar en tiempo real. Además, durante el onboarding, la herramienta puede leer el codebase y los archivos de diseño de tu equipo para construir automáticamente un sistema de diseño con tus colores, tipografía y componentes, garantizando consistencia de marca en cada proyecto.

Por supuesto, y en nuestra experiencia, Claude Design no intenta reemplazar a Figma o Canva; de hecho, los diseños pueden exportarse como PDF, URL, PPTX o enviarse directamente a Canva para seguir editándolos de forma colaborativa. Lo que sí hace es eliminar la fricción del paso cero: ese momento donde una idea existe solo en tu cabeza y no tienes ni por dónde empezar.

⚡ Corner:

Nuestra recomendación para esta semana:

- La innovación ya no es un discurso: es integración y resultados.

La innovación ya no es un discurso inspirador. Se ha convertido en una cuestión de procesos, decisiones y capacidad de integración.

En Brain and Code hemos tenido el placer de participar en la nueva edición de las Jornadas Tecnológicas de Euskaltel, un encuentro de referencia para abordar innovación, inteligencia artificial, datos y el contexto actual desde una perspectiva profundamente conectada con la realidad de las empresas vascas.

Durante la jornada, Alex Rayón Jerez, CEO de Brain, intervino con la ponencia:
“Cómo convertir la innovación en resultados”

Una charla centrada en la pregunta que realmente importa hoy:
¿Qué diferencia a las empresas que avanzan de verdad de aquellas que se quedan en el discurso?

La respuesta está cada vez más clara: la integración real de la IA en los procesos internos es la que empieza a generar diferencias tangibles en eficiencia, criterio y capacidad de respuesta ante el mercado.

El evento reunió a ponentes de primerísimo nivel, entre ellos Ana Palacio, exministra de Asuntos Exteriores de España, quien aportó una visión estratégica y geopolítica de gran valor sobre cómo la tecnología está redefiniendo el equilibrio global y las implicaciones que esto tiene para la toma de decisiones empresariales.

Enhorabuena y gracias a Euskaltel por seguir impulsando estos espacios de alto nivel, donde se conecta la tecnología con las necesidades reales de las empresas del País Vasco.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Nuevo Claude Opus 4.8 +El recorrido de Anthropic en la carrera de la IA.

• Dell pone cifras al boom de la IA: los data centers ya son el motor del crecimiento.

• Google y CrowdStrike desmantelan Glassworm, la botnet que apuntaba a desarrolladores.

• Stitch, la propuesta de Google para crear aplicaciones en minutos.

• Dominar Claude en menos de 11 horas es posible.

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

🧠 Brain Pulse:

El tema de la semana:

Create a 16:9 abstract editorial illustration for a tech newsletter about “Claude Opus 4.8” and the shift from flashy AI to reliable, agent-ready AI. Concept: a calm, confident “core intelligence” at the center (a glowing orb or geometric core), surrounded by multiple translucent concentric rings that symbolize verification, honesty, and controlled effort. The rings should look like layered safeguards rather than barriers—clean, engineered, precise. Visual elements: - Subtle flowing data streams entering the system from the left as chaotic particles, becoming structured light paths as they pass through the rings. - On the right, the output becomes a few solid, clean geometric blocks (representing dependable results). - Add faint tool/agent motifs as abstract icons (terminal window outline, cursor arrow, checklist) floating in the background—very subtle, no readable text. Style: modern, minimal, high-end abstract digital art. Lots of negative space. Soft gradients and gentle glow. Palette: deep navy / charcoal background with accents of cyan and warm amber (different from typical neon cyberpunk). No logos, no watermarks, no numbers, no readable text. Mood: trustworthy, mature, “built for work,” not flashy. High resolution, crisp composition.

⚙️ Nuevo Claude Opus 4.8 + El recorrido de Anthropic en la carrera de la IA

Hay lanzamientos que se notan por el ruido que generan. Otros, por el cambio de tono. El nuevo modelo de Claude, Opus 4.8, pertenece al segundo grupo: no viene a prometer magia, viene a reducir el tipo de errores que más desgastan la confianza en una IA cuando la usas para trabajar de verdad.

Anthropic lo presenta como su Opus más capaz hasta la fecha, manteniendo el precio de la versión anterior.

Lo más visible es el modelo nuevo. Lo más importante es lo que trae alrededor. Opus 4.8 mejora la “honestidad” del sistema: ser más propenso a señalar incertidumbres y menos propenso a presentar progreso donde no lo hay. Y además incorpora algo que, estratégicamente, es una declaración de intenciones: un control para que el usuario elija cuánta energía quiere que el modelo ponga en una tarea (más esfuerzo para lo crítico, menos para lo rutinario).

En la imagen adjunta se ve el tipo de mensaje que Anthropic quiere fijar en la mente del mercado: Opus 4.8 aparece fuerte en pruebas orientadas a agentes que programan, usan terminales y operan herramientas. Pero el detalle interesante no es la tabla en sí; es el movimiento: Claude ya no compite solo por responder mejor, compite por ser un sistema que aguanta tareas largas, con más autonomía y con menor necesidad de revisión constante.

Cuanto más autonomía damos a un modelo, más se parece a un compañero que actúa… y menos a una calculadora que consulta. Y eso exige otras garantías. Por eso el lanzamiento también empuja funciones de producto que intentan cerrar la brecha entre capacidad y control: desde el “nivel de esfuerzo” (para ajustar coste/tiempo/resultado) hasta flujos dinámicos donde el sistema puede planificar y ejecutar trabajo con muchos subagentes en paralelo, verificando antes de devolver un resultado.

La lectura final es sencilla: Opus 4.8 no es un “salto” aislado, es una señal de madurez. Anthropic está intentando ganar por un atributo que en 2024 parecía aburrido y en 2026 se vuelve diferencial: confiabilidad. Si mañana vas a probarlo, la pregunta útil no es “¿es más listo?”, sino: ¿en qué parte de tu trabajo el coste real está en revisar, corregir y volver a hacer?

¿Te interesa dominar Claude? Te recomendamos llegar hasta el final y revisar nuestra sección “Corner”.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— Dell pone cifras al boom de la IA: los data centers ya son el motor del crecimiento

Durante años, la narrativa de la inteligencia artificial ha estado dominada por modelos, asistentes y demos espectaculares. Sin embargo, los últimos resultados de Dell Technologies muestran dónde se está generando realmente el negocio: la infraestructura. La compañía anunció que sus ingresos vinculados a servidores y soluciones para IA alcanzaron los 16.100 millones de dólares, lo que supone un crecimiento interanual del 757%. Además, elevó sus previsiones para este segmento hasta los 60.000 millones de dólares y confirmó un contrato de 9.700 millones con el Departamento de Defensa de Estados Unidos, reforzando su posición como uno de los grandes proveedores de la nueva economía de la IA.

Más allá de la cifra, el mensaje es claro: la carrera por la inteligencia artificial está impulsando una demanda masiva de hardware, redes, almacenamiento y capacidad de procesamiento.

Mientras la atención mediática suele centrarse en OpenAI, Google o Anthropic, empresas como Dell, Nvidia, Supermicro o AMD están capturando una parte cada vez más relevante del valor generado por esta transformación. La IA ya no es una apuesta futura; está provocando inversiones multimillonarias en centros de datos, energía y capacidad de cómputo a una velocidad pocas veces vista en la industria tecnológica.

La conversación ya no gira únicamente en torno a qué modelo es mejor, sino a quién puede construir y operar la infraestructura necesaria para sostenerlos.

— Google y CrowdStrike desmantelan Glassworm, la botnet que apuntaba a desarrolladores

Google y CrowdStrike anunciaron esta semana la interrupción de Glassworm, una infraestructura maliciosa especializada en comprometer entornos de desarrollo de software. A diferencia de las campañas tradicionales centradas en usuarios finales, Glassworm dirigía sus esfuerzos hacia desarrolladores y herramientas utilizadas durante la creación de aplicaciones, buscando obtener acceso privilegiado a repositorios, sistemas de compilación y otros componentes críticos de la cadena de suministro digital.

El caso vuelve a poner sobre la mesa una de las tendencias más preocupantes de los últimos años: los ataques a la software supply chain. En lugar de atacar directamente a miles de empresas, los ciberdelincuentes buscan comprometer herramientas o proveedores que actúan como punto de entrada hacia múltiples organizaciones. Este enfoque ha demostrado ser especialmente efectivo porque permite escalar el impacto de un ataque y acceder a entornos de alto valor con un único compromiso inicial.

Para los lectores de la newsletter que trabajéis en tecnología, la noticia es un recordatorio de que la seguridad ya no termina en el perímetro corporativo.

Bibliotecas de código, repositorios, pipelines de CI/CD y herramientas de desarrollo se han convertido en objetivos prioritarios para los atacantes. A medida que las organizaciones adoptan más automatización, agentes de IA y desarrollo asistido por modelos generativos, proteger la cadena de suministro del software pasará de ser una buena práctica a convertirse en un requisito fundamental.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

Stitch, la propuesta de Google para crear aplicaciones en minutos

Si alguna vez has tenido una idea para una aplicación, una página web o una herramienta interna y te has encontrado con el problema de “sé lo que quiero, pero no sé diseñarlo”, Stitch intenta resolver precisamente eso.

La propuesta es simple: describes con texto lo que necesitas (”quiero una aplicación para gestionar clientes potenciales” o “una web para reservar citas en una peluquería”) y Stitch genera automáticamente las pantallas. También puedes subir una captura, un dibujo o incluso una foto de una servilleta con un boceto, y la herramienta lo convierte en un diseño mucho más profesional.

Lo interesante no es que cree diseños bonitos (hay muchas herramientas que ya hacen eso), sino que reduce enormemente el tiempo entre tener una idea y poder verla funcionando. Algunos ejemplos que se nos ocurren desde Brain & Code:

• Un consultor puede crear en minutos un prototipo para enseñar a un cliente.

• Un emprendedor puede visualizar una aplicación antes de contratar a un diseñador.

• Un desarrollador puede generar una primera versión de la interfaz y centrarse directamente en construir la funcionalidad.

Las primeras versiones salen muy rápido, pero si buscas una experiencia pulida, identidad visual propia o una aplicación compleja, necesitarás trabajo adicional. Aun así, para validar ideas o preparar demos, Stitch puede ahorrar días de trabajo que antes se invertían en bocetos, reuniones y herramientas de diseño.

⚡ Corner:

Nuestra recomendación para esta semana:

— Dominar Claude en menos de 11 horas es posible.

Parece mentira, pero en 7 sesiones de 1,5h puedes dominar todo el ecosistema Claude.

El Programa Experto en Claude - Domina Claude en 10,5 horas promete lo siguiente:

7 sesiones para explorar todas las funciones, modelos, características… de Claude, y dominarlas en su totalidad.

Además, por ser lector de nuestra Newsletter semanal, te dejamos un código de descuento exclusivo para que disfrutes de un 5% de ahorro extra.
→ ProgramaExpertoenClaude5%OFF

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Crea tus propias Skills

• Google I/O 2026 pone a Gemini en “modo agente”

• PJM adelanta compras de capacidad por la presión de los data centers de IA

• Poco más de 10 horas para dominar el ecosistema de Claude

  Tiempo de lectura: 8 min

📷 La imagen de la edición:

Prompt: A modern infographic illustration featuring a sleek, tech-inspired design that showcases artificial intelligence generative capabilities through interconnected visual elements. At the center, a stylized neural network brain icon connects to surrounding symbols via flowing gradient lines in electric blue and violet: a digital paintbrush representing image generation, a text document for writing assistance, a musical note for audio creation, and coding brackets for programming support.

Herramienta: Ideogram

🧠 Brain Pulse + 🦾 Toolkit:

El tema de la semana y una herramienta o funcionalidad:

🦾 Crea tus propias Skills

Hay una escena muy común en el uso diario de IAG: abres el chat, explicas quién eres, qué necesitas, qué tono quieres, qué formato prefieres, qué debe evitar, qué ejemplo debe seguir… y a los dos días vuelves a hacer lo mismo. No porque la IA no sirva. Sino porque seguimos tratándola como si cada conversación empezara desde cero, aunque a estas alturas no deberíamos trabajar así, por supuesto.

Aquí aparece una idea mucho más práctica que el prompt perfecto: crear tus propias skills. No como concepto técnico, sino como hábito de trabajo. Una skill es una forma de empaquetar una tarea repetida: instrucciones, criterios, ejemplos, formato de salida y límites. OpenAI lo define así: flujos de trabajo reutilizables y compartibles que indican a ChatGPT cómo realizar una tarea concreta de forma más consistente, pudiendo incluir instrucciones, ejemplos e incluso código.

La diferencia parece pequeña, pero cambia mucho. Un prompt es una petición. Una skill es una forma de trabajar que se puede repetir. Si cada semana preparas un informe, revisas un documento, conviertes notas en tareas, redactas una newsletter, analizas feedback de clientes o haces resúmenes ejecutivos, no tiene sentido volver a explicarle a la herramienta el proceso completo cada vez. Eso es como contratar a alguien nuevo todos los lunes y pedirle que aprenda tu estilo desde cero.

Lo interesante es que esta dirección no aparece en una sola herramienta. ChatGPT está empujando Skills como flujos reutilizables; Claude lleva tiempo trabajando con Artifacts para convertir conversaciones en documentos, piezas visuales, código o diseños editables en una ventana separada; y los agentes de trabajo avanzan hacia la misma lógica: menos conversación suelta, más piezas reutilizables dentro del flujo. En el fondo, todas estas funciones apuntan a una misma idea: la IA deja de ser un sitio donde preguntas cosas y empieza a ser un espacio donde construyes métodos.

Pero aquí viene el matiz importante: una skill no arregla un proceso mal pensado. Si tus criterios son confusos, la IA será consistentemente confusa. Si tu formato no está claro, tendrás resultados bonitos pero poco útiles. Y si solo conviertes en skill una tarea que nadie necesita, habrás automatizado ruido.

Una buena skill debería responder a seis cosas muy simples: qué tarea resuelve, qué información necesita, qué resultado debe entregar, qué estilo o formato debe respetar, qué errores debe evitar y qué revisión final debe hacer antes de acabar. No hace falta complicarlo más. Si no puedes explicar esos seis puntos, probablemente todavía no tienes una skill; tienes una costumbre medio improvisada.

Además, recuerda que son escalables y compartibles:

El siguiente salto no será tener mil prompts guardados en una carpeta. Será convertir las tareas repetidas en pequeños sistemas. Una skill bien hecha no es una instrucción larga; es una cápsula de criterio, plantillas, ejemplos “buenos” y conocimiento.

Por último, también veremos cada vez más repositorios de skills: bibliotecas compartidas con formas ya preparadas de hacer tareas concretas. Tiene sentido. Igual que hoy no empezamos una hoja de cálculo desde cero si existe una plantilla buena, tampoco tiene sentido reinventar cada flujo. Pero la parte importante no será copiar skills sin pensar, sino adaptarlas a tu contexto: tu tono, tus criterios, tus fuentes, tus límites, tu forma de decidir.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— Google I/O 2026 pone a Gemini en “modo agente”

Omni, 3.5 y una Search que ejecuta tareas
Google usó I/O 2026 para mover el foco de “chat” a modelos + agentes + producto. Presentó Gemini 3.5 (con 3.5 Flash ya disponible y como modelo por defecto en la app de Gemini y en AI Mode de Search) y confirmó que Gemini 3.5 Pro llegará el mes que viene. Además, lanzó Gemini Omni (arrancando con Omni Flash), orientado a “crear desde cualquier input”, empezando por video, y desplegándose en Gemini, Google Flow y YouTube Shorts. Os dejamos el enlace al resumen, por si no lo habéis visto:

Search entra en la era de los “Search agents” (agentes de información que operan en segundo plano 24/7), incorpora una “caja” de búsqueda rediseñada (el mayor cambio en décadas, según Google) y suma agentic coding para generar UI/mini‑apps sobre la marcha. En paralelo, Google empuja la capa “always‑on” con Gemini Spark (agente que corre en VMs en Google Cloud) y refuerza el lado builder con Antigravity / AI Studio para crear apps Android desde prompts, además de novedades de comercio como Universal Cart y nuevos form factors (gafas Android XR) para llevar Gemini fuera del móvil.

El impacto: Google está intentando “ganar” la carrera por distribución y workflows, no solo por “el mejor modelo”. Si Search pasa a construir mini‑herramientas y agentes, también reconfigura el valor de estar “posicionado” en Google: ya no solo compites por clics, compites por ser la fuente que alimenta la respuesta ejecutable, muy interesante, ¿verdad?

— PJM adelanta compras de capacidad por la presión de los data centers de IA

PJM (el mayor operador de red regional en EE. UU.) comunicó que acelerará su procurement centralizado para cubrir riesgos de fiabilidad asociados al crecimiento de grandes cargas, especialmente data centers. En una carta a stakeholders, su Board explica que esperar hasta 2027 incrementa el riesgo y que, por eso, el objetivo pasa por ejecutar una compra centralizada en septiembre de 2026 para mitigar el “shortfall” que salga del próximo ciclo de subasta base.

El movimiento viene acompañado de un aviso regulatorio-político: PJM pidió a los estados que definan cómo se asignarán los costes derivados de esa compra a los nuevos data centers, porque si no hay marco claro, esos costes podrían terminar imputándose a otros consumidores (incluidos residenciales). Además, PJM está unificando este proceso con su debate de Connect & Manage (reglas para conectar grandes cargas con compromisos de curtailment), precisamente porque ambos mecanismos se pisan en la práctica.

El impacto: En 2026, elegir ubicación de data center, firmar PPAs y anticipar cómo se reparten costes en la red pasa a ser parte del roadmap tecnológico; esto al final, puede traducirse en presión sobre precios eléctricos y en una competición más explícita entre industria “tradicional” y cargas de IA por capacidad firme.

⚡ Corner:

Nuestra recomendación para esta semana:

— Poco más de 10 horas para dominar el ecosistema de Claude

Puede que estés infrautilizando una de las plataformas de IA más completas del momento.

Claude ha dejado de ser una herramienta aislada para convertirse en un ecosistema de productividad integral: Proyectos para gestionar contexto, artefactos para generar outputs editables, conectores MCP que enlazan con tus aplicaciones, integración nativa con Microsoft 365, y soluciones especializadas como Claude Cowork, Claude Code y Claude Design.

Por eso hemos diseñado el Programa Experto en Claude desde Brain & Code.

10,5 horas en formato online en directo, repartidas en 7 sesiones prácticas de 1,5 horas, donde aprenderás a aplicar Claude de forma real en tu día a día profesional.

Trabajarás con prompting avanzado, proyectos, artefactos, Claude en Excel, PowerPoint y Chrome, conectores MCP, integraciones externas, automatización con Cowork, desarrollo de agentes, Claude Code y Claude Design.

Si quieres transformar Claude en tu verdadero entorno de trabajo —no solo en una herramienta más— este programa puede marcar la diferencia.

El verdadero salto no está en escribir mejores prompts, sino en dominar cómo orquestar estas capacidades para organizar información, automatizar flujos de trabajo y resolver tareas completas con precisión.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Cómo detectar qué tareas sí merecen IA

• Google alerta: el hacking con IA ya opera a escala industrial

• Un banco se autodenuncia tras exponer datos por una app de IA no autorizada

• ¿Conoces Copilot 3D?

• Automatiza tus procesos de marketing con n8n

  Tiempo de lectura: 8 min

📷 La imagen de la edición:

Prompt: A conceptual illustration showing a person standing at the edge of a glowing digital cliff, preparing to leap across a vast chasm toward a floating platform of interconnected light nodes. The figure is silhouetted against a backdrop of swirling data streams and neural network patterns, with their stance conveying confidence and determination rather than hesitation.

Herramienta: Ideogram

🧠 Brain Pulse:

El tema de la semana:

🧭 Cómo detectar qué tareas sí merecen IA

Mucha gente y, por supuesto, empresas ya usan IA y herramientas complementarias para resumir reuniones, mejorar correos, generar ideas o convertir notas en documentos más ordenados. Todo eso ayuda. Pero también puede crear una ilusión peligrosa: sentir que estás trabajando mejor porque produces más rápido, aunque la parte importante del trabajo siga igual.

Porque no todas las tareas tienen el mismo peso. Algunas son pura fricción: necesarias, repetitivas, “molestas”. Otras son puntos de decisión: elegir una estrategia, priorizar un proyecto, revisar un riesgo, entender por qué algo no funciona. Y otras, siendo sinceros, ni siquiera deberían hacerse. La IA puede acelerar cualquiera de las tres.

Aquí va una forma práctica de mirarlo. Antes de usar herramientas de IA en una tarea, pásala por estos cuatro filtros:

• Frecuencia: ¿Esto se repite cada semana o cada mes?

• Fricción: ¿Me roba energía, concentración o tiempo de forma desproporcionada?

• Impacto: ¿Si mejora esta tarea, mejora una decisión, un cliente, un riesgo o un resultado?

• Revisión: ¿Puedo comprobar fácilmente si la IA lo hizo bien?

Si una tarea cumple frecuencia y fricción, la IA puede ayudarte a ganar velocidad. Por ejemplo: preparar actas, ordenar notas, convertir reuniones en próximos pasos, transformar borradores en formatos consistentes o crear plantillas recurrentes. Aquí encajan muy bien funcionalidades como las Skills de ChatGPT o los Artifacts de Claude, porque convierten tareas repetidas en salidas más estables.

Si una tarea cumple impacto, aunque no se repita tanto, estas herramientas pueden ayudarte a pensar mejor o ver algo desde otra perspectiva. Por ejemplo: comparar opciones, detectar riesgos, revisar supuestos, preparar preguntas para una reunión importante, analizar escenarios o convertir información dispersa en una recomendación.

Y si una tarea no cumple impacto ni fricción, cuidado. Puede que la IA solo esté maquillando trabajo que no hacía falta. Más versiones de un documento que nadie va a leer. Más ideas que nadie va a priorizar. Más resúmenes de reuniones que no cambian ninguna acción. Esa es la trampa: usar IA para producir más material intermedio y confundir movimiento con avance.

La señal de que estás usando IA en el sitio correcto es bastante concreta: desaparece una molestia recurrente, baja un error repetido o mejora una decisión real. Si no pasa ninguna de esas tres cosas, quizá no necesitas alguna de estas herramientas ahí.

Así que el ejercicio para esta semana es sencillo: Primero mira tu agenda y escribe 10 tareas que hiciste en los últimos cinco días. Luego marca cada una con una letra:

• A: repetitiva y fácil de revisar → buena candidata para IA.

• B: importante y con varias variables → buena candidata para análisis con IA.

• C: repetitiva pero poco útil → candidata a eliminar o simplificar.

• D: sensible, irreversible o con mucho riesgo → IA solo como apoyo, nunca como decisión final.

Finalmente, os dejamos un prompt que puede ser de utilidad precisamente para identificar en dónde podría aportar mayor valor la IA en vuestras tareas:

Actúa como un consultor de productividad con IA. 
Te voy a dar una lista de tareas que hago durante una semana normal.

Quiero que las clasifiques en 4 grupos:
1. Tareas donde la IA puede ahorrar tiempo sin mucho riesgo.
2. Tareas donde la IA puede mejorar la calidad de una decisión.
3. Tareas donde la IA puede aportar consistencia si se convierte en plantilla, skill o proceso reutilizable.
4. Tareas donde probablemente no conviene usar IA porque añadiría ruido, riesgo o trabajo innecesario.

Para cada tarea, dime:
- Por qué la clasificas ahí.
- Qué resultado debería mejorar si uso IA.
- Qué tendría que revisar una persona antes de darlo por bueno.
- Qué primer experimento pequeño podría probar esta semana.

Mi lista de tareas es:
[pega aquí tus tareas]

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— Google alerta: el hacking con IA ya opera a escala industrial

El Google Threat Intelligence Group (GTIG) advierte que, en apenas tres meses, los atacantes han pasado de “probar” IA a usarla de forma industrial en varias fases del ciclo de ataque: desde reconocimiento y desarrollo de tooling hasta explotación y persistencia. El informe se apoya en datos de Mandiant incident response, señales internas y análisis de uso malicioso, y describe la IA como un multiplicador tanto para grupos criminales como para actores estatales.

GTIG afirma que por primera vez identificó a un actor usando un zero‑day que creen desarrollado con apoyo de IA, pensado para una explotación masiva, y que lograron interrumpir tras coordinar divulgación responsable con el proveedor. El reporte también detalla cómo ahora se acelera malware más evasivo (incluyendo lógica señuelo), impulsa flujos “agentic” y baja el coste de operaciones repetitivas.

El impacto: Operativamente, la respuesta es menos “comprar una herramienta” y más ajustar disciplina: priorización agresiva de vulnerabilidades, controles de identidad (2FA/MFA bien implementado), detección de ingeniería social y gobernanza de IA interna para que tus propios equipos no creen nuevos vectores (plugins, agentes, llaves, datos sensibles) sin trazabilidad.

— Un banco se autodenuncia tras exponer datos por una app de IA no autorizada

Community Bank (opera en Pennsylvania, Ohio y West Virginia) reveló en un formulario 8‑K ante la SEC que detectó una exposición de datos personales de clientes como el nombre, fecha de nacimiento y número de la Seguridad Social atribuida al uso de una “aplicación de IA no autorizada”. El banco afirma que reportó el incidente por el volumen y la sensibilidad de la información y que está evaluando qué datos se vieron afectados y notificando según lo exigen las leyes aplicables.

La lectura del caso apunta a un patrón cada vez más común (y el porqué traemos esta noticia): alguien dentro de la organización podría haber subido datos de clientes a un chatbot o servicio externo no autorizado por la organización, exponiéndolos al proveedor de esa plataforma. Esto es “shadow AI”

El impacto: El riesgo ya no es solo un atacante, sino un workflow informal que rompe las reglas de datos y ciberseguridad. La implicación práctica es clara: hay que pasar de “políticas” a controles (allowlist de herramientas, DLP, formación, registro de uso, entornos internos seguros y contratos que prohíban entrenamiento/retención con datos sensibles), porque el coste real aparece cuando el error se traduce en notificaciones, auditorías y exposición regulatoria.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

— ¿Conoces Copilot 3D?

Microsoft lanzó discretamente hace meses Copilot 3D, una herramienta experimental que convierte fotografías 2D en modelos tridimensionales funcionales. Sin grandes anuncios ni keynotes pomposos, esta funcionalidad llegó a Copilot Labs casi de puntillas, y es probable que ni siquiera supieras de su existencia. Sin embargo, su propuesta merece atención: transformar imágenes en un modelo 3D descargable con un solo clic, sin necesidad de dominar Blender, Maya o cualquier software de modelado que tradicionalmente requeriría meses de aprendizaje.

La herramienta funciona sorprendentemente bien dentro de sus limitaciones. Subes una imagen PNG o JPG, esperas entre 30 segundos y un minuto, y obtienes un archivo GLB listo para ser importado en Unity, Unreal Engine, o incluso para enviarlo directamente a una impresora 3D.

Microsoft es honesta sobre sus debilidades: funciona mejor con objetos inanimados sobre fondos lisos, mientras que personas, animales o escenas complejas aún representan un reto significativo. Pero aquí está lo interesante: para diseñadores que necesitan mockups rápidos, educadores creando material didáctico, o desarrolladores buscando prototipar assets sin presupuesto, esta limitación es secundaria. Lo que importa es la velocidad y la eliminación de barreras técnicas.

Es difícil no recordar los anteriores intentos fallidos de Microsoft con Paint 3D y Remix3D, ambos ya en el cementerio de productos descontinuados. Quizás por eso la compañía optó por un lanzamiento discreto esta vez, etiquetándolo como “experimento” en Copilot Labs y evitando generar expectativas desmedidas.

Si aún no la has probado, vale la pena dedicarle 10 minutos: podría ser una de esas utilidades que terminas usando más de lo que esperabas, o al menos te recordará que no todas las innovaciones útiles llegan precedidas de bombos y platillos.

⚡ Corner:

Nuestra recomendación para esta semana:

— Cómo automatizar tus procesos de marketing con n8n e IA

En muchos equipos de marketing, buena parte del tiempo se va en tareas que no siempre aportan valor estratégico: actualizar datos, revisar leads, enviar comunicaciones, preparar informes o coordinar campañas.

Son gestiones necesarias, pero cuando se hacen de forma manual acaban consumiendo tiempo y energía (muy en línea con nuestro artículo principal).

La inteligencia artificial puede ayudar a cambiar esta dinámica. Combinada con herramientas como n8n, nos permite conectar sistemas, automatizar tareas repetitivas y diseñar flujos de trabajo más ordenados y eficientes.

Por eso, desde Learning HUB, una iniciativa de Brain & Code y MIDE, hemos organizado el webinar:

Durante el webinar veremos qué es n8n, qué puede aportar al departamento de marketing, qué procesos se pueden automatizar con IA y cómo funciona un flujo aplicado al día a día del trabajo.

Si quieres dejar de dedicar tiempo a tareas repetitivas y empezar a trabajar con procesos automatizados, esta sesión puede ser un buen punto de partida.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• ¿Por qué pasar de piloto a producción cuesta mucho más de lo que parece?

• La UE pacta “afinar” el AI Act: menos carga administrativa y nuevas fechas para IA de alto riesgo

• EE.UU. amplía el “first look”: NIST/CAISI evaluará modelos frontier de Google DeepMind, Microsoft y xAI antes de su lanzamiento

• ¿Cuándo elegir modelos de razonamiento?

• ¿RAG, agentes o automatización? Cómo elegir correctamente

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Prompt: Digital iceberg with AI infrastructure

Herramienta: ChatGPT

🧠 Brain Pulse:

El tema de la semana:

📄 ¿Por qué pasar de piloto a producción cuesta mucho más de lo que parece?

Un equipo prueba una herramienta, genera un informe decente, resume cinco documentos, prepara una presentación, automatiza un correo. Todo funciona. Todo parece rápido. Y entonces aparece la parte que no se ve: integrarlo en el día a día de una organización real de forma escalable.

Ahí empieza la factura. No la del plan mensual de la herramienta, sino la de todo lo que hace falta para que la IA deje de ser una prueba y se convierta en una capacidad estable: datos limpios, permisos, revisión, formación, seguridad, responsables, métricas, procesos que cambian y personas que aceptan cambiar cómo trabajan.

Los datos empiezan a contar esa historia. Múltiples consultoras señalan que las empresas han ampliado el acceso a herramientas de IA en un 50% en un año, pasando de menos del 40% a alrededor del 60% de trabajadores con herramientas aprobadas. Pero solo el 25% de las organizaciones afirma haber llevado el 40% o más de sus experimentos de IA a producción. Es decir: hay más acceso, más pruebas, más entusiasmo… pero todavía poca conversión en sistemas que funcionen de forma sostenida.

La razón es bastante simple: pasar a producción obliga a tocar la casa por dentro. No basta con instalar una lámpara nueva; a veces hay que revisar el cableado. Muchas empresas están usando IA para ganar productividad, pero pocas están rediseñando realmente cómo funciona el trabajo. Deloitte, por ejemplo, lo cuantifica de forma bastante clara: el 34% de las compañías dice estar usando IA para transformar profundamente su negocio, el 30% está rediseñando procesos clave alrededor de la IA, y el 37% la está usando todavía de forma superficial, con poco o ningún cambio en los procesos de fondo.

Pero aquí llega el punto crítico: el coste real no aparece cuando la IA falla. Aparece cuando funciona lo suficiente como para querer escalarla. Mientras es un piloto, basta con un equipo pequeño y algo de entusiasmo. Cuando se convierte en parte del negocio, empiezan las preguntas difíciles: ¿quién valida?, ¿quién responde si hay error?, ¿qué datos puede usar?, ¿cómo se mide el resultado?, ¿qué pasa si cambia el proveedor?, ¿qué procesos se modifican? y ¿qué personas quedan fuera del nuevo flujo?

Por eso muchas iniciativas se quedan en una zona gris: no son fracaso, pero tampoco transformación. Generan ahorros pequeños, mejoras dispersas, documentos más rápidos, análisis más cómodos. Todo eso suma. Pero no siempre cambia el resultado final. La diferencia entre productividad y valor es precisamente esa: productividad es hacer más rápido una parte del trabajo; valor es que el negocio tome mejores decisiones, reduzca errores, atienda mejor, venda mejor o diseñe algo que antes no podía.

La inversión, además, no se está frenando. Se estima que el gasto en IA como porcentaje de ingresos podría duplicarse en 2026. Esto dice mucho del momento: las compañías no están abandonando la IA. Están aceptando que la primera fase fue aprender a usarla y que la segunda exige pagar por integrarla.

La factura real, entonces, tiene cinco partidas que rara vez aparecen en el titular: preparar datos, rediseñar procesos, formar criterio, crear controles y medir impacto. Si falta una, el sistema cojea. Puedes tener el mejor modelo y aun así producir ruido si los datos son malos. Puedes tener una herramienta excelente y no capturar valor si el proceso sigue igual. Puedes automatizar una tarea y aumentar el riesgo si nadie define el punto donde una persona debe revisar.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— La UE pacta “afinar” el AI Act: menos carga administrativa y nuevas fechas para IA de alto riesgo

El Consejo y el Parlamento Europeo han alcanzado un acuerdo provisional para racionalizar partes del AI Act dentro del paquete Omnibus VII, con el objetivo explícito de reducir costes recurrentes y suavizar la implantación sin reescribir la ley desde cero. La Comisión había planteado retrasar la aplicación de reglas para IA de alto riesgo hasta que existan estándares y herramientas, y los colegisladores han priorizado el expediente porque las obligaciones de alto riesgo estaban previstas para entrar en vigor el 2 de agosto de 2026.

El texto acordado añade cambios con impacto inmediato en producto y compliance: prohíbe prácticas de IA para generar contenido sexual o íntimo no consentido y CSAM, fija un calendario de retraso para alto riesgo (2 dic 2027 para sistemas de alto riesgo “stand‑alone” y 2 ago 2028 para alto riesgo embebido en productos), y reduce el margen para implementar transparencia de contenido generado artificialmente a 3 meses, con nueva fecha 2 dic 2026. También reintroduce obligaciones como el registro en la base de datos de la UE cuando un proveedor se auto‑exime de la clasificación de alto riesgo y ajusta el reparto de competencias entre el AI Office y autoridades nacionales en ciertos casos.

El impacto: Para quien construye o compra IA en Europa, esto reordena el roadmap: hay más aire para cumplir “alto riesgo”, pero menos para resolver lo que suele romper despliegues en el mundo real (transparencia, trazabilidad y límites a ciertos usos generativos).

— EE.UU. amplía el “first look”: NIST/CAISI evaluará modelos frontier de Google DeepMind, Microsoft y xAI antes de su lanzamiento

El Center for AI Standards and Innovation (CAISI) de NIST (Departamento de Comercio de EE. UU.) firmó nuevos acuerdos con Google DeepMind, Microsoft y xAI para realizar evaluaciones antes del despliegue y investigación dirigida sobre capacidades y riesgos de modelos frontier. El esquema formaliza que el gobierno pueda evaluar modelos antes de que sean públicos (y también tras el despliegue), y CAISI afirma que ya ha completado más de 40 evaluaciones, incluidas sobre modelos aún no lanzados.

El detalle que importa es metodológico: para medir riesgos de seguridad nacional, los desarrolladores suelen proporcionar versiones con salvaguardas reducidas o retiradas, y el programa contempla pruebas incluso en entornos clasificados, con feedback coordinado a través de un grupo interagencia (TRAINS Taskforce). Microsoft, además, enmarca esto como parte de un patrón más amplio de “institutos de evaluación”: anunció acuerdos tanto con CAISI (EE. UU.) como con el AI Security Institute (Reino Unido) para probar modelos frontier y evaluar salvaguardas.

El impacto: En Europa, esto empuja hacia un nuevo “estándar de facto” en compras y regulación; además, aumenta la presión para que la UE (AI Office y autoridades nacionales) no se quede como rule‑taker: o construye capacidad propia de evaluación alineada con su marco (AI Act), o acabará dependiendo de sellos y métricas diseñadas fuera para decidir qué modelos son “seguros” en la práctica.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

— ¿Cuándo elegir modelos de razonamiento?

Los modelos de razonamiento no son para todo. Su valor aparece cuando la tarea exige pensar en varios pasos, comparar alternativas, detectar contradicciones o tomar una decisión con consecuencias. Por ejemplo: analizar un contrato, revisar una estrategia, depurar un problema complejo, construir un plan con restricciones, evaluar riesgos o convertir información dispersa en una recomendación. Ahí merece la pena pagar el “extra” de tiempo y coste, porque no buscas una respuesta rápida: buscas una respuesta más trabajada.

Para tareas simples, en cambio, suelen ser innecesarios. Resumir un texto, reescribir un correo, generar ideas iniciales, traducir, clasificar información básica o adaptar un tono no requiere un modelo de razonamiento avanzado. Usarlo ahí es como llamar a un comité para decidir el asunto de un email: funciona, pero no compensa. En esos casos, un modelo más ligero suele ser suficiente, más rápido y más barato.

La regla práctica sería esta: usa un modelo de razonamiento cuando la pregunta incluya decisión, ambigüedad, riesgo o muchas variables. Usa un modelo normal cuando el trabajo sea redacción, transformación o producción rápida. La madurez no está en usar siempre el modelo más potente; está en saber cuándo necesitas profundidad y cuándo solo necesitas velocidad.

⚡ Corner:

Nuestra recomendación para esta semana:

— ¿RAG, agentes o automatización? Cómo elegir correctamente

La inteligencia artificial se ha integrado como una herramienta más dentro de los equipos tech. En desarrollo, datos, arquitectura o automatización, cada semana aparecen nuevas formas de aplicarla.

Pero el reto no es su implantación, sino saber qué solución tiene sentido para cada problema.

No todo necesita un agente.
No todo se resuelve con RAG.
No todo mejora automatizando.
Y no siempre un mejor prompt es suficiente.

No identificar cuál es la mejor herramienta puede hacer que los procesos se ralenticen, se compliquen y no funcionen de la forma más óptima.

Para evitarlo, en Brain & Code hemos organizado el webinar:

“Cuándo usar RAG, agentes o automatización: cómo elegir bien en entornos tech”

Una sesión breve y práctica, orientada a profesionales técnicos que quieren entender cómo tomar mejores decisiones cuando trabajan con IA generativa.

Durante el webinar veremos cómo comparar distintos enfoques y entender cuándo tiene más sentido usar cada uno de ellos.

Si trabajas en equipos de desarrollo, datos, arquitectura o IT y quieres empezar a usar la IA con criterio y no por inercia, esta sesión puede ayudarte a dar ese salto.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la inteligencia artificial, el big data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• La ciberseguridad ya no defiende contra humanos

• Qualcomm dispara su acción tras insinuar un acuerdo “misterioso” de chips

• Amazon avanza en su constelación: Atlas V lanza 29 satélites

• ¿Qué son las skills de ChatGPT?

• 30 horas para dominar la IA en tu puesto de trabajo

  Tiempo de lectura: 7 min

📷 La imagen de la edición:

Prompt: Create a 16:9 abstract editorial illustration for a tech newsletter article about AI-driven cyberattacks and the shift from detecting suspicious messages to protecting decisions and processes. Visual concept style: modern abstract, cinematic, polished, high-end editorial illustration. No people, no readable text, no logos, no watermarks. Use a sophisticated color palette with deep navy and charcoal as the base, accented by electric cyan, violet, and warm amber. Strong contrast, subtle glow, smooth gradients, clean composition, and a premium technology-magazine aesthetic.

Herramienta: ChatGPT

🧠 Brain Pulse:

El tema de la semana:

🕵️ La ciberseguridad ya no defiende contrahumanos.

Antes, muchos fraudes digitales tenían una pista casi artesanal: una frase rara, una urgencia mal escrita, un enlace sospechoso. Había señales. No siempre las veíamos, pero estaban ahí. La IA está borrando parte de ese margen. Ahora un correo falso puede sonar correcto, una voz puede parecer conocida y una solicitud puede llegar envuelta en el tono exacto de una empresa, un proveedor o un compañero.

La “primicia” del artículo no es que los atacantes usen IA. Eso ya está pasando. Lo relevante es que la IA baja la barrera de entrada: permite personalizar mensajes, acelerar intentos, simular identidades y montar ataques más creíbles sin necesitar el nivel técnico de antes. El Foro Económico Mundial lo resume con una cifra clara: el 94% de los encuestados en su Global Cybersecurity Outlook 2026 considera que la IA será el principal motor de cambio en ciberseguridad este año. Además, el porcentaje de organizaciones que evalúan la seguridad de sus herramientas de IA casi se duplicó, del 37% en 2025 al 64% en 2026. En el siguiente video, profundizan más sobre las cifras:

Aquí cambia la psicología del riesgo. Durante años, la formación en ciberseguridad se apoyó en detectar errores: el dominio extraño, el adjunto raro, la mala traducción. Pero si el atacante puede generar un mensaje limpio, adaptado a tu contexto y enviado por el canal correcto, la defensa ya no puede depender solo del olfato. Hace falta otro hábito: verificar antes de actuar, incluso cuando el mensaje parece normal.

Pero tampoco conviene caer en el pánico. La IA no convierte cada ataque en imparable. Lo que hace es comprimir tiempos y aumentar volumen. CrowdStrike, en su informe global de amenazas 2026, señala que los ataques habilitados por IA aumentaron un 89% interanual y que el tiempo medio para moverse dentro de una red tras el acceso inicial cayó a 29 minutos. Incluso reporta un caso observado de solo 27 segundos.

La parte práctica, entonces, no está en mirar mejor el correo, sino en rediseñar los momentos donde alguien puede mover dinero, datos o accesos. Si una voz puede sonar familiar y un mensaje puede imitar el tono exacto de la empresa, la defensa no puede depender de la intuición del receptor. Tiene que depender del diseño del proceso: qué se puede hacer por chat, qué exige doble validación, qué nunca se cambia por una petición improvisada, aunque venga perfectamente redactada.

La ciberseguridad deja de ser solo una capa técnica y empieza a parecerse más a una disciplina de gobierno cotidiano, que sinceramente, siempre debería ser así.

No gana quien sospecha de todo; gana quien reduce las zonas grises. Menos excepciones heroicas, menos atajos por urgencia, menos confianza basada en apariencia. Porque cuando el atacante ya puede sonar profesional, educado y convincente, el criterio deja de ser si algo parece real. El criterio pasa a ser si el proceso lo permite.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— Qualcomm dispara su acción tras insinuar un acuerdo “misterioso” de chips

Qualcomm disparó su cotización (llegó a subir hasta un 20% intradía) tras revelar en resultados que ha cerrado un acuerdo de “custom silicon” con un hyperscaler del que no quiso dar el nombre. La compañía anticipa envíos iniciales a finales de 2026 (con señales hacia el trimestre de diciembre) y el CEO, Cristiano Amon, lo describió como una relación multigeneración, es decir, no un experimento puntual.

Recordemos que esto no es nuevo; de hecho, han venido anunciando movimientos en esta línea desde el año pasado:

Qualcomm, históricamente dominante en móvil, está empujando su diversificación hacia infraestructura y computación para IA, y usa este acuerdo como “prueba de tracción” frente a un mercado que hoy está dominado por Nvidia y donde los hyperscalers quieren alternativas (y control sobre el coste por inferencia). En el mismo trimestre, Qualcomm reportó $10,6B de ingresos y ya puso fecha para ampliar detalles en su Investor Day del 24 de junio.

El impacto: Si Qualcomm ejecuta bien, puede abrir un nuevo frente de presión en precios y disponibilidad en data center (especialmente en inferencia), pero también añade fragmentación: más chips implica más optimización por stack (tooling, librerías, compatibilidad) y, por tanto, más importante que nunca medir rendimiento por tarea.

— Amazon avanza en su constelación: Atlas V lanza 29 satélites

United Launch Alliance (ULA) puso en órbita 29 satélites de Amazon Leo (antes Project Kuiper) en la misión Amazon Leo 6 / LA‑06, despegando desde Cape Canaveral (SLC‑41) el 27 de abril. El despliegue se realizó en 10 separaciones y, según Space.com, el lanzamiento igualó el récord de carga más pesada que ha transportado un Atlas V, en torno a 18 toneladas.

El objetivo declarado sigue siendo una red de más de 3.200 satélites, construida con una cadencia de lanzamientos alta y múltiples proveedores, en una escalada directa para competir con Starlink en cobertura y capacidad.

El impacto: Más satélites significa mayor probabilidad de que Amazon pase de promesa a servicio con cobertura consistente, especialmente relevante para zonas rurales, continuidad de negocio y conectividad de respaldo. También anticipa más presión competitiva en precio, acuerdos con telcos y regulación (espectro y permisos).

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

— ¿Qué son las skills de ChatGPT?

Las skills de ChatGPT son flujos de trabajo reutilizables que enseñan a ChatGPT a realizar una tarea concreta con mayor consistencia: no son simples prompts guardados, sino paquetes de instrucciones, ejemplos, recursos de apoyo e incluso código que el modelo puede aplicar automáticamente cuando detecta que la tarea lo requiere. Su utilidad principal está en convertir procesos repetitivos, como por ejemplo resumir contratos, revisar informes financieros, preparar auditorías SEO, analizar facturas o generar reportes con una estructura fija en una metodología estable, compartible y fácil de reutilizar.

OpenAI las define como workflows reutilizables y compartibles que indican a ChatGPT cómo ejecutar una tarea específica de forma más consistente.

En la práctica, una skill funciona como un “manual operativo” que ChatGPT consulta cuando encaja con la petición del usuario. Puede contener un archivo principal llamado SKILL.md, donde se explican las instrucciones, cuándo debe usarse y cómo debe comportarse el asistente; además, puede incorporar plantillas, referencias, datasets o scripts para tareas más deterministas. Una vez creada e instalada, ChatGPT puede activar una o varias skills automáticamente cuando resulten útiles, lo que reduce la necesidad de repetir criterios, formatos o pasos en cada conversación.

Como funcionalidad, las skills son especialmente potentes para entornos profesionales porque estandarizan calidad, tono, estructura y control de riesgos.

Pueden crearse directamente en conversación, desde el editor de Skills o mediante carga de archivos, y también compartirse dentro de un espacio de trabajo. Actualmente están disponibles en beta para planes como ChatGPT Business, Enterprise, Edu, Teachers y Healthcare, y también son compatibles con Codex y la API, aunque no se sincronizan todavía entre productos. En términos prácticos, su valor está en pasar de “pedirle cosas a ChatGPT” a diseñar procesos reutilizables que ChatGPT ejecuta con criterio, trazabilidad y menor variabilidad.

⚡ Corner:

Nuestra recomendación para esta semana:

— 30 horas para dominar la IA en tu puesto de trabajo

El próximo martes 5 de mayo inicia el Programa Experto en Inteligencia Artificial de The AI Business School, una iniciativa conjunta de Brain & Code y ESDEN Business School.

Más información: brainandcode.tech/pages/programa-experto-en-inteligencia-artificial-ai-business-school

Una formación diseñada para profesionales que quieren dejar atrás el “modo prueba y error” y empezar a integrar la inteligencia artificial en su trabajo con enfoque práctico y visión de negocio real.

30 horas · 100% online · Clases en directo: Combinamos sesiones prácticas, tutorías personalizadas y actualizaciones constantes para que aprendas, apliques y domines la IA en situaciones reales de tu día a día profesional.

¿Qué vas a trabajar? Prompting avanzado, copilotos de productividad, agentes autónomos, workflows inteligentes, modelos de razonamiento, análisis de datos, búsqueda estratégica de información, toma de decisiones asistida por IA, generación de contenidos multimedia y otros usos prácticos de la IA generativa aplicados a tu sector.

Oferta de lanzamiento: 50% de descuento
Código: ProgramaExpertoenIA50%

Si estás listo para pasar de experimentar con ChatGPT y otras herramentas a utilizar la IA con criterio, metodología y visión de negocio, este es tu siguiente paso.

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la Inteligencia Artificial, el Big Data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• El nuevo cuello de botella no es la IA

• OpenAI lanza GPT-5.5 en ChatGPT y Codex

• La UE actualiza las reglas de licencias tecnológicas: más foco en datos e interoperabilidad

• ChatGPT Images 2.0 + Webinar

  Tiempo de lectura: 5 min

📷 La imagen de la edición:

Herramienta: ChatGPT + Images 2.0

🧠 Brain Pulse:

El tema de la semana:

🧱 El nuevo cuello de botella no es la IA

En muchas empresas ya no se discute si usar IA. Eso ya ha pasado. Lo que empieza a aparecer ahora es algo más: hay demasiadas cosas que se podrían hacer con IA… y no está claro cuáles importan o generan mayor valor de verdad.

Se ve muy claro en el día a día. Un equipo automatiza la generación de informes que antes tardaban horas. Otro integra IA para resumir reuniones. Otro empieza a generar propuestas comerciales más rápido. Otro realiza búsquedas en profundidad en tiempos acotados. Todo funciona. Todo “mejora”.

Y, aun así, el negocio no cambia tanto.

No porque estas herramientas no sirvan. Sino porque muchas de esas mejoras ocurren en zonas donde el impacto es menor. Aceleran tareas, pero no cambian decisiones. Y en una empresa, lo que mueve la aguja no es lo rápido que produces… es lo bien que decides.

Parte de esto tiene una explicación clara: la propia tecnología ya está resolviendo muy bien lo repetitivo. Con funcionalidades como las Skills de ChatGPT o la creación de artifacts en Claude, muchas tareas que antes requerían tiempo y consistencia manual, como documentos recurrentes, análisis estructurados, pequeñas automatizaciones, ahora se pueden ejecutar de forma más rápida y, sobre todo, más uniforme.

Pero aquí es donde se complica: cuando lo repetitivo deja de ser un problema, el foco debería moverse… y no siempre lo hace.

Porque desde dentro, todo parece útil. Todo ahorra tiempo. Todo tiene sentido. Nadie va a decir “esto no sirve para nada”. Y, sin embargo, cuando miras con distancia, empiezan a aparecer patrones:

Equipos que generan más documentos, pero siguen discutiendo lo mismo.
Procesos más rápidos, pero con los mismos errores.
Más información disponible… y más dificultad para tomar una decisión clara.

El resultado es contraintuitivo: la IA no elimina el cuello de botella, lo desplaza. Antes estaba en producir. Ahora empieza a estar en priorizar y decidir. Y ahí es donde muchas organizaciones se atascan.

Porque priorizar implica elegir qué no hacer. Y eso es más difícil que automatizar.

Las empresas que están sacando valor real no están empezando por la herramienta. Están empezando por algo mucho más incómodo: identificar dónde pierden dinero, tiempo o calidad de forma recurrente. Y solo después se preguntan si la IA puede ayudar ahí.

Las que no lo hacen, acaban en un patrón muy reconocible: pequeñas mejoras dispersas, mucho movimiento… y poco cambio estructural.

La diferencia entre unas y otras no es tecnológica. Es de enfoque.

Unas usan la IA para optimizar lo que ya hacían. Otras la usan para intervenir en lo que realmente limita el negocio. Y eso cambia todo.

Porque cuando la IA entra en el sitio correcto, no se nota que “todo va más rápido”. Se nota en que dejan de pasar ciertas cosas: menos errores repetidos, menos retrabajo, menos decisiones que se alargan sin necesidad.

Ese es el verdadero indicador de que se está usando bien.

La conclusión no es complicada, pero sí exigente: la IA no te obliga a moverte más rápido. Te obliga a pensar mejor dónde moverte.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— OpenAI lanza GPT-5.5 en ChatGPT y Codex

OpenAI ha presentado GPT-5.5, una nueva versión del modelo que alimenta ChatGPT y Codex, y que apunta a trabajo más “de principio a fin”: mejor planificación, uso de herramientas y verificación de resultados en tareas largas y ambiguas. El despliegue arranca para usuarios Plus, Pro, Business y Enterprise, con una variante GPT-5.5 Pro orientada a casos donde prima la precisión.

Además del salto en capacidades, OpenAI insiste en la eficiencia: GPT-5.5 usa menos tokens en Codex para completar tareas, un detalle clave si lo que quieres es escalar flujos de trabajo de ingeniería o analítica sin disparar coste. Os dejamos un video con un resumen de sus características:

El impacto: GPT-5.5 refuerza un cambio cada vez más visible; justo de ello hablábamos en el artículo principal: la IA deja de ser solo “responder” y se convierte en una capa que ejecuta (con herramientas) y cierra tareas. Eso aumenta la productividad potencial, pero también sube el listón de evaluación interna: medir calidad, controlar permisos de herramientas y revisar el coste por tarea (no solo por prompt) se vuelve parte del trabajo de producto e ingeniería.

— La UE actualiza las reglas de licencias tecnológicas: más foco en datos e interoperabilidad

La Comisión Europea aprobó una revisión del TTBER (Technology Transfer Block Exemption Regulation) y de sus Guías para modernizar cómo se evalúan los acuerdos de licencia de tecnología bajo las normas de competencia de la UE. El nuevo marco entra en vigor el 1 de mayo de 2026 y sustituye al régimen de 2014, buscando dar más certeza a empresas que licencian patentes, software o diseños en una economía donde los acuerdos ya no giran solo alrededor de IP clásica, sino también de datos y estándares.

Los cambios clave atacan dos prácticas que se han vuelto centrales: (1) licencias de datos para producción, con una nueva sección que explica cómo se analizarán (y que, en general, la licencia de bases de datos protegidas suele ser procompetitiva y se evalúa con principios similares a los acuerdos de transferencia tecnológica), y (2) el auge de tecnologías esenciales para estándares que habilitan interoperabilidad, incluyendo una guía específica sobre licensing negotiation groups (LNGs) para distinguir colaboración legítima de “buyer cartels”. Además, se simplifica la aplicación de umbrales de cuota cuando la tecnología aún no se ha comercializado y se afinan las condiciones del “safe harbour” para technology pools.

El impacto: Si tu empresa licencia tecnología, datos o participa en estándares, esto obliga a una revisión: contratos de data licensing, acuerdos en torno a SEPs/estándares, y estructuras de pools que antes “pasaban” por inercia pueden necesitar ajustes para seguir dentro del perímetro de seguridad jurídica.

🦾 Toolkit +⚡ Corner:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code.

—ChatGPT Images 2.0

La nueva generación de imágenes en ChatGPT está transformando la forma de crear contenido.

Con esta nueva versión (Images 2.0), el salto está en el control y la utilidad: mejora la coherencia visual, permite editar sobre imágenes existentes con más precisión, trabajar por iteraciones y mantener estilos de forma consistente. Frente al modelo anterior —más orientado a generar imágenes aisladas—, ahora el enfoque es más cercano a un flujo de trabajo: crear, ajustar y reutilizar visuales con mayor control y menos prueba-error.

Ya no se trata solo de producir imágenes llamativas, sino de generar piezas realmente útiles y aplicables en el trabajo diario:

• Creatividades para campañas

• Recursos para LinkedIn o webinars

• Apoyos visuales para presentaciones

• Materiales de comunicación interna

Desde Brain, hemos preparado dos recursos pensados para aterrizar este cambio: entender qué aporta esta herramienta y cómo empezar a utilizarla de forma práctica desde el primer momento.

Por un lado, hemos preparado este vídeo en el que nuestra docente Elena Aguirre explica, con un enfoque práctico, cómo funciona el nuevo editor de imágenes de ChatGPT y qué posibilidades abre para crear y adaptar recursos visuales con IA:

Además, si quieres profundizar, el próximo miércoles 29 de abril, de 17:00 a 17:40, Elena García impartirá el webinar “La nueva generación de imágenes en ChatGPT: cómo crear visuales útiles para trabajar”.

Una sesión breve y directa para entender qué cambia realmente con esta nueva generación de imágenes y cómo utilizarla con más criterio: desde crear visuales desde cero hasta adaptar imágenes existentes y mejorar resultados.

Si buscas ir más allá de probar prompts sin rumbo y empezar a generar recursos visuales que aporten valor en tu día a día, este webinar es un buen punto de partida.

Inscripción: https://brainandcode.tech/pages/webinar-la-nueva-generacion-de-imagenes-de-chatgpt

Si la respuesta es sí, ¡esta newsletter es para ti!

Cada semana, te traemos una selección de contenidos prácticos, actualizados e interesantes, sobre la industria tecnológica, la Inteligencia Artificial, el Big Data, entre otros temas de relevancia mundial, mediante una propuesta diferencial, flexible, práctica y centrada en la experiencia.

En esta edición:

• Cuando verificar se vuelve más difícil que crear

• Anthropic frena “Mythos Preview” por riesgo de ciberseguridad ofensiva

• Se preparan medidas contra Meta por bloquear IAs rivales en WhatsApp

• La ventana de contexto y su importancia

• Haz parte de la nueva edición de AI Expert

  Tiempo de lectura: 6 min

📷 La imagen de la edición:

Prompt: A conceptual digital illustration depicting the modern challenge of information verification in the digital age. On one side, a person effortlessly creates content with glowing screens and flowing data streams, while on the other side, multiple figures struggle with magnifying glasses, tangled fact-checking networks, and overwhelming information webs. The scene is split by a stark contrast between the bright, easy creation zone with smooth gradients and the darker, complex verification zone filled with maze-like patterns and scattered documents. Soft blue and orange lighting emphasizes the divide between the simplicity of creation and the complexity of truth-seeking in our interconnected world.

Herramienta: Ideogram

🧠 Brain Pulse:

El tema de la semana:

⚠️ 165 Cuando verificar se vuelve más difícil que crear

En los últimos seis meses, el uso de IA generativa para escribir código ha crecido un 40% según GitHub. Pero el dato que importa no es ese. Es que la mayoría de ese código se commitea directamente porque "funciona en local" y el equipo tiene tres sprints encima. No pasa por revisión técnica real. Y lo mismo ocurre fuera de ingeniería: informes enviados porque están bien redactados, análisis aprobados porque tienen gráficos limpios, resúmenes que se convierten en decisiones porque llegaron a tiempo.

El problema no es que estas herramientas se equivoquen. Es que se equivocan con formato impecable (De esto hemos hablado mucho). Y ahora que contamos con poco margen, eso tiene un efecto peligroso: convierte lo plausible en aceptable. No porque la gente sea ingenua, sino porque el día sigue teniendo 24 horas y ahora hay que revisar diez veces más contenido.

El coste oculto de 2026: La IA abarata la producción, pero encarece lo que realmente importa en negocio: decidir con seguridad. Cuando tienes 50 documentos generados en una semana y solo puedes revisar 10 a fondo, empiezas a confiar por descarte. Y eso escala mal: un dato erróneo en un dashboard se convierte en métrica de dirección. Una función mal generada aparece como bug tres meses después. Un brief mal resumido se convierte en un proyecto mal orientado.

La cuestión no es técnica. Es de confianza. Porque cuando todo parece correcto, cuesta detectar qué no lo está.

Tres puntos donde la fricción no es burocracia, es diseño:

• Antes de decisiones irreversibles: Publicar, aprobar, cambiar datos de producción, enviar a cliente. Aquí la IA puede preparar, pero alguien decide. Y ese alguien necesita contexto real, no solo un output limpio. La diferencia está en diseñar un momento de pausa deliberada: no para ralentizar por sistema, sino para asegurar que quien aprueba tiene suficiente información para detectar si algo no encaja. Esto no significa añadir capas de validación burocráticas. Significa identificar qué decisiones son de un solo sentido (no se pueden revertir fácilmente) y asegurar que en esas, la IA asiste pero no cierra.

• Trazabilidad que funcione bajo presión: Si algo falla, la pregunta no es “¿quién lo hizo?”, sino “¿de dónde salió esto?”. Si la respuesta es “un prompt que ya no existe” o “un chat borrado”, no tienes organización: tienes producción anónima. Control de versiones con intención, no por inercia. En código, esto es evidente: sin historial, no puedes debuggear. Pero en contenido estratégico (informes, análisis, briefings) muchas empresas están generando sin registro. El problema aparece semanas después: alguien cuestiona un dato, nadie recuerda de dónde salió, y empieza la arqueología corporativa. La trazabilidad real no es guardar todo. Es guardar lo necesario para reconstruir el razonamiento: qué información se usó, qué se descartó, qué hipótesis se manejaron.

• Outputs diferenciados según consecuencia: Un borrador interno puede tener margen de error. Un contrato, un comunicado externo o una configuración de sistema, no. Si todo se trata igual porque “la IA lo hizo rápido”, estás delegando el criterio al contexto, no a la decisión consciente. Aquí el fallo común es asumir que la responsabilidad viene del rol (solo dirección revisa cosas importantes) en lugar del tipo de salida. Pero en la práctica, un analista junior puede generar un dashboard que acaba en el board, o un PM puede usar un resumen de IA para priorizar roadmap. La jerarquía no protege si no hay taxonomía clara. ¿Qué outputs son definitivos y cuáles exploratorios? ¿Qué puede cambiar después y qué debe estar correcto desde el inicio? Sin esa distinción, todo se convierte en “provisional que se quedó”, y el sistema empieza a fallar no por errores aislados, sino por deriva acumulativa: decisiones que se toman sobre borradores que nunca se revisitaron.

Una organización madura con IA o que esta en ese camino no pregunta "¿qué herramienta usamos?", sino "¿qué partes del proceso no pueden delegarse?". Porque el salto real no es tener IA en todas partes. Es poder escalarla sin que el equipo viva en modo revisión permanente.

Cuando hay control, la IA multiplica capacidad. Cuando no lo hay, solo aumenta volumen sin filtro.

🗣️ Brain Bites:

Dos noticias que no te puedes perder:

— Anthropic frena (de momento) “Mythos Preview” por riesgo de ciberseguridad ofensiva

Anthropic ha decidido no lanzar al público (de momento) su nuevo modelo Claude Mythos Preview tras concluir que su capacidad para encontrar (y potencialmente explotar) vulnerabilidades es demasiado alta para un despliegue abierto. En lugar de eso, lo está usando en un programa defensivo con un grupo limitado de socios para identificar fallos críticos antes de que se conviertan en armas para atacantes.

Según la propia compañía y la cobertura del caso en diversos medios, Mythos habría detectado “miles de vulnerabilidades”, incluidas algunas muy antiguas: se citan ejemplos como un fallo de 27 años en OpenBSD, otro de 16 años en FFmpeg y varios en Linux. Para canalizar su uso, Anthropic impulsó Project Glasswing, una colaboración con grandes tecnológicas y firmas de ciberseguridad para acelerar parches; el modelo también ha atraído atención institucional en EE. UU. por su potencial impacto en seguridad nacional.

El impacto: Esta es una señal de que estamos entrando en la era de la IA de capacidad dual: la misma herramienta que puede reforzar defensas puede abaratar ataques.

— Bruselas se prepara para medidas cautelares contra Meta por bloquear IAs rivales en WhatsApp

La Comisión Europea ha notificado a Meta su intención de imponer medidas provisionales (interim measures) para revertir la exclusión de asistentes de IA de terceros en WhatsApp mientras sigue abierta la investigación antimonopolio. Bruselas sostiene, de forma preliminar, que Meta podría estar abusando de su posición al impedir que competidores accedan e interactúen con usuarios, lo que elevaría barreras de entrada en el mercado de asistentes de IA.

El caso se apoya en un cambio de condiciones anunciado el 15 de octubre de 2025: la actualización de los WhatsApp Business Solution Terms “vetaba” en la práctica a los asistentes generalistas de terceros; desde el 15 de enero de 2026, el único asistente permitido sería Meta AI.

La Comisión considera que WhatsApp es un punto de entrada clave para llegar a consumidores en el EEE, y argumenta urgencia por riesgo de “daño grave e irreparable” a la competencia; en Italia, el regulador nacional ya había impuesto medidas provisionales en diciembre de 2025.

El impacto: Esto adelanta un precedente importante: las plataformas de mensajería pueden pasar a ser tratadas como canal crítico de distribución para asistentes de IA, abriendo más posibilidades para su uso y sobre todo control del mismo.

🦾 Toolkit:

Una sección dedicada a compartir herramientas, recursos y aplicaciones útiles para la comunidad de Brain and Code

— La importancia de la ventana de contexto

La ventana de contexto es la cantidad de información que un modelo de IA puede “recordar” en una conversación. Se mide en tokens (fragmentos de texto: una palabra suele ser 1-2 tokens, un documento de 1.000 palabras son ~1.300 tokens). Modelos actuales como GPT-5.2/4 o Gemini 3 manejan entre 400 k y 1.000.000 de tokens. Suena a mucho, pero un chat largo con archivos adjuntos puede llenarlo rápido. Cuando se supera, la IA empieza a “olvidar” lo más antiguo: pierdes contexto inicial, instrucciones clave, o datos que subiste al principio. El problema no es que se equivoque, sino que te da respuestas coherentes basadas en información incompleta, y tú no te enteras hasta que notas inconsistencias.

La frustración típica: llevas 20 mensajes refinando un análisis, subes tres documentos nuevos, y de repente la IA ignora instrucciones que diste al inicio o mezcla datos de archivos que ya no “ve”.

• Para gestionarlo bien: divide conversaciones largas por objetivo (una para análisis, otra para redacción), resume avances clave antes de seguir (”hasta ahora hemos definido X, Y y Z”), y reinicia con contexto limpio si cambias de fase (copia solo lo esencial en un chat nuevo). Si trabajas con documentos extensos, prioriza: sube solo lo necesario para cada tarea, no todo tu repositorio de una vez. Y si usas estas herramientas para proyectos largos, mantén un documento externo con decisiones importantes: la IA olvidará, tú no deberías.

Regla práctica: si la conversación tiene más de 30 intercambios o varios archivos grandes, probablemente estés cerca del límite. Cuando notes que la herramienta empieza a ignorar detalles previos o pide información que ya diste, no insistas: resetea el contexto. La ventana de contexto no es un bug, es un límite de diseño. Gestionarlo bien es la diferencia entre usar IA como herramienta profesional o como chat frustrante que “a veces funciona”.

Hay muchas buenas practicas y de ellas estaremos hablando en las próximas ediciones.

⚡ Corner:

Nuestra recomendación para esta semana:

— 30 horas para convertir la IA en tu aliado diario con el programa insignia de Brain & Code

Más de 240 alumni han pasado por el Programa Experto en Inteligencia Artificial Generativa | AI Expert.

12 ediciones que no repiten contenido: cada una incorpora lo que importa ahora, no lo que funcionaba hace seis meses. Porque en IA, la volatilidad no es ruido, es la naturaleza del sector.

Esta edición tampoco será diferente. 30 horas para entender cómo diseñar copilotos útiles, construir agentes que resuelvan tareas reales y automatizar procesos sin depender de integraciones prefabricadas. No es teoría sobre el futuro. Es práctica sobre lo que ya está funcionando en empresas que te llevan ventaja.

Aprovecha el descuento de inscripción temprana (ahorrando 359 €) y descubre lo que ya han descubierto 240 alumni: la IA no solo es una caja de texto… es la herramienta de productividad global más potente del siglo XXI.

Más información sobre el programa: https://brainandcode.tech/collections/cursos/products/programa-experto-en-inteligencia-artificial-generativa-ai-expert-ed-xiii-04-05-2026