Por Matías Torcivia, Head of Digital Delivery Center en EPAM NEORS México.

¿Por qué la IA no es solo una carrera tecnológica?

Hoy domina una idea en la conversación empresarial: que la IA representa principalmente una carrera tecnológica. No siempre es así. El verdadero beneficio no surge de adoptar el modelo más avanzado ni de incorporar la plataforma más sofisticada, sino de convertir la tecnología en resultados empresariales medibles. Durante la última década, la transformación digital se enfocó en optimizar operaciones: digitalizar procesos, automatizar tareas y migrar aplicaciones a la nube. Ese camino mejoró la productividad, pero también reforzó la idea equivocada de que innovar significa hacer más eficiente lo que ya existe.

La IA rompe con esa lógica. Su principal potencial no está en acelerar los procesos existentes, sino en cuestionar si esos procesos todavía respaldan los objetivos del negocio. Las empresas que limiten la IA a la eficiencia operativa capturarán solo una fracción de su impacto, y las que intenten ejecutarla sobre procesos e infraestructura vigentes no alcanzarán todo su potencial. En EPAM lo describen como uno de los desafíos definitorios de la nueva era: la tecnología avanza más rápido que las estructuras organizacionales que deberían respaldarla.

¿Qué dice el Work Trend Index 2026?

Los datos reflejan esta realidad. Según el Work Trend Index 2026 de Microsoft, los factores organizacionales como la cultura, el apoyo del liderazgo y las prácticas de talento tienen el doble de peso que el esfuerzo individual en el impacto reportado de la IA. La brecha, por lo tanto, no depende únicamente del acceso a la tecnología, sino de la capacidad de adaptar las estructuras y convertir la adopción en una práctica sostenible. Es un matiz que complementa lo que PCFormat ya había documentado sobre el crecimiento del uso de IA generativa en las empresas, donde la adopción corporativa pasó del 2 % al 10 % en un solo año sin que la madurez organizacional avanzara al mismo ritmo.

¿Qué es la deuda organizacional que la IA hace visible?

El trabajo de EPAM con organizaciones en transformaciones complejas identificó un patrón recurrente: la IA suele exponer una deuda organizacional, el impacto acumulado de datos fragmentados, procesos desconectados, responsabilidades poco claras, sistemas heredados y modelos operativos que los esfuerzos previos no resolvieron del todo. El mayor desafío rara vez consiste en desarrollar modelos o identificar casos de uso. La complejidad comienza cuando la IA debe integrarse en organizaciones donde los procesos evolucionaron de manera independiente y las decisiones siguen distribuidas entre múltiples silos.

Escalar la IA exige abordar la transformación de principio a fin: rediseñar los procesos antes de automatizarlos, conectar datos y aplicaciones, incorporar seguridad y gobernanza desde el inicio y medir el progreso en función de resultados de negocio concretos. Vale la pena señalar que la IA no crea estas limitaciones: las hace visibles y acelera la necesidad de resolverlas. La tecnología actúa así como acelerador de la transformación y, al mismo tiempo, como prueba de resistencia para la propia organización.

Liderazgo y gestión de inteligencia distribuida

Este cambio también redefine el papel del liderazgo. Hasta hace poco, liderar una empresa significaba gestionar recursos, procesos y personas. Hoy también significa gestionar inteligencia distribuida. La IA no elimina la necesidad del criterio humano; cambia dónde y cómo debe intervenir en la toma de decisiones. Su valor no reside en reemplazar el talento, sino en ampliar su capacidad para enfocarse en lo que sigue siendo profundamente humano: el juicio, la creatividad, el pensamiento estratégico y la resolución de problemas complejos.

Por esa razón, la adopción ya no es una conversación exclusiva del área de tecnología. Las organizaciones con mejores resultados son aquellas cuyos equipos de liderazgo entienden la IA como una decisión empresarial. Cuando existe liderazgo desde la alta dirección, la IA deja de ser una colección de iniciativas aisladas y se convierte en una capacidad transversal. El diferenciador será cada vez menos quién tiene acceso a la mejor IA y más quién puede rediseñar la organización en torno a lo que la IA hace posible.

¿Qué cambia en la relación con los clientes?

Esta transformación también redefine la experiencia del cliente. Durante años se habló de estrategias omnicanal, aunque muchas organizaciones siguen ofreciendo experiencias fragmentadas donde el contexto se pierde en cada interacción. La IA puede crear experiencias continuas, personalizadas y contextuales, pero solo cuando los procesos, las aplicaciones y los datos funcionan como un sistema integrado.

En ese escenario, el activo estratégico ya no es únicamente la información, sino la capacidad de convertirla en mejores decisiones antes que los competidores. Eso requiere mucho más que acumular datos: exige gobernanza sólida y bases de datos confiables, conectadas y accesibles, capaces de compartir contexto de manera consistente en toda la organización.

¿Y los agentes inteligentes?

La siguiente etapa de esta evolución ya se materializa con los agentes inteligentes. A diferencia de los asistentes conversacionales, estos sistemas pueden ejecutar tareas, coordinar procesos, tomar decisiones e interactuar con múltiples aplicaciones con diferentes niveles de autonomía. Su adopción impulsa nuevas eficiencias, pero también exige modelos de gobernanza que incorporen seguridad, privacidad, trazabilidad, supervisión humana y responsabilidades claras sobre las decisiones ejecutadas por los agentes. El impulso del mercado es tangible: la apuesta por la IA agéntica ya moviliza alianzas globales como la de NTT DATA y Google Cloud para acelerar la transformación empresarial con Agentic AI.

La IA agéntica plantea una pregunta más profunda. Si la IA ejecuta cada vez más trabajo, coordina procesos y apoya decisiones entre distintas funciones, las organizaciones tendrán que reconsiderar cómo se distribuye el trabajo en sí, entre personas, sistemas y agentes inteligentes. Esto convierte a la IA agéntica en un desafío tanto del modelo operativo como de la tecnología, en línea con las tendencias que PCFormat recogió sobre las prioridades tecnológicas para 2026 según TechnoVision, donde la automatización pasa a ser una dirección conjunta entre humanos e IA.

¿Cuál es el verdadero riesgo para las empresas?

Cada revolución tecnológica ha redefinido las reglas de la economía. La electricidad transformó la industria. Internet cambió la forma de hacer negocios. La computación en la nube redefinió la infraestructura empresarial. La IA va un paso más allá porque transforma la manera en que las organizaciones aprenden, toman decisiones y crean valor.

Por esa razón, el mayor riesgo ya no radica en adoptar demasiado tarde las nuevas tecnologías. El verdadero riesgo es intentar competir con estructuras organizacionales diseñadas para resolver los desafíos de un mercado que ya no existe. La pregunta ya no es qué modelo de IA adoptar, sino qué tipo de organización será capaz de aprovecharla. La próxima ventaja competitiva pertenecerá a quienes rediseñen su empresa para trabajar con la tecnología como una parte natural de sus operaciones.

Desde la perspectiva de EPAM, aquí es donde debe avanzar la conversación sobre IA: de preguntar qué tecnologías deberían adoptar las empresas a preguntarse qué tipo de organizaciones nativas de IA necesitan convertirse. Porque la IA, por sí sola, no determinará quién liderará la próxima década; lo harán las organizaciones que sepan reinventarse antes de que el mercado las obligue a hacerlo.

La entrada La inteligencia artificial no optimiza procesos: pone a prueba a las empresas se publicó primero en PCFORMAT MX.

Cada organización guarda algo que ningún modelo puede replicar: su forma de operar, los datos acumulados durante años y el contexto detrás de miles de decisiones cotidianas. A medida que los potentes modelos de IA se vuelven más accesibles, esa inteligencia empresarial única importa más que nunca. La diferencia, según Microsoft, residirá en qué tan bien las compañías combinan esos modelos con sus propios datos y experiencia.

Convertir esa inteligencia en ventaja duradera requiere, según la compañía, tres elementos que funcionen juntos: la ambición humana para marcar la dirección, la inteligencia basada en el conocimiento único de la organización y la confianza para operar a gran escala. El valor puede acumularse mediante un bucle de aprendizaje continuo, sin depender de un solo proveedor de modelos.

Los anuncios se dieron a conocer en la Conferencia Europea Microsoft Fabric + SQL Community celebrada en Barcelona. No es la primera vez que el ecosistema de inteligencia artificial de la compañía amplía horizontes: ya vimos cómo OpenAI amplió la plataforma de Microsoft Azure AI con infraestructura de Oracle. Ahora el foco se mueve hacia la capa de datos.

¿Qué es Fabric IQ y cómo lleva el contexto empresarial a Copilot?

A medida que Microsoft Copilot evoluciona entre Home, Code y Autopilot, el acceso a contextos empresariales de confianza se vuelve esencial. Fabric IQ incorpora el contexto empresarial gobernado a Copilot, apoyándose en los modelos semánticos, métricas y definiciones de negocio de Power BI en los que las organizaciones ya confían.

Con Fabric IQ disponible de manera general en Copilot Chat y Cowork, los usuarios pueden hacer preguntas de negocio y recibir respuestas basadas en datos gobernados de Power BI. Cuando alguien pregunta a Copilot por la última previsión de ventas, la respuesta se apoya en el mismo modelo semántico que impulsa los informes de la organización, evitando debates sobre cuál es el número correcto. La integración con la experiencia de Code llega a través del programa Frontier.

Jessica Hawk, CVP de Azure Product Marketing, lo experimentó en primera persona: al preguntar a Copilot por la previsión de ventas, la respuesta se basó en el mismo modelo semántico gobernado que alimenta los reportes de su equipo. La reunión se centró en qué significan los números, no en discutir cuál era el correcto.

IQ Sharing: ¿cómo compartir contexto empresarial sin perder control?

El conocimiento de negocio no respeta los límites de un equipo. IQ Sharing en Fabric, ahora en vista previa como parte de Fabric IQ, permite compartir datos y su contexto empresarial de manera segura entre organizaciones, clientes y socios, manteniendo la gobernanza sobre los activos subyacentes. Junto con el reflejo y los atajos de OneLake, estas inversiones crean una base más abierta para intercambiar contextos gobernados entre plataformas y ecosistemas.

Observabilidad en Microsoft Fabric y los Agentes de Operaciones

A medida que más cargas de trabajo viven en la plataforma de datos unificada, los equipos necesitan comprender la salud del sistema antes de que los problemas afecten resultados. La observabilidad en Fabric ayuda a pasar de la resolución reactiva a operaciones proactivas: monitorización entre espacios de trabajo y un Monitor Hub mejorado dan una visión unificada, mientras que los Agentes de Operaciones y Activador permiten investigar problemas, identificar causas raíz con IA y automatizar respuestas.

El tema no es menor. El impacto real de la IA en el mundo corporativo depende de que las operaciones respalden la escala, y la observabilidad es la pieza que sostiene la supervisión mientras crecen los datos.

Fabric Apps: construir aplicaciones directamente sobre datos gobernados

La IA transforma cómo se crean las aplicaciones, pero las empresas aún necesitan un camino seguro desde la idea hasta la producción. Fabric Apps lleva el desarrollo directo a los datos gobernados de Microsoft Fabric, con nuevas capacidades de conectividad, cargas transaccionales, lógica backend, almacenamiento y acceso controlado por políticas. Los desarrolladores pasan del prototipo a la producción sobre una base unificada.

¿Qué significa la ingeniería de datos agente?

Un bucle de aprendizaje continuo solo es tan bueno como los datos detrás de él, que deben prepararse y refinarse sin pausa. Tras la adquisición de Osmos para acelerar la ingeniería de datos autónoma en Fabric, las nuevas funciones de ingeniería de datos agentes hacen realidad esa visión: los ingenieros definen el resultado y los límites, y dentro de ellos el agente planifica, ejecuta, valida y perfecciona el trabajo.

SQL Server en Azure Local: flexibilidad para entornos regulados

Mantener el control también implica decidir dónde corren las cargas críticas. SQL Server en Azure Local, ya disponible de manera general, lleva SQL Server y los servicios de Azure a entornos locales. La variante con operaciones desconectadas, en vista previa, extiende esa flexibilidad a sitios donde la conectividad a la nube se interrumpe o no existe.

Es un movimiento coherente con la estrategia de servicios de Azure que dan forma al futuro de la nube para operadores y empresas, llevando la plataforma a donde el negocio lo necesita.

Database Hub en Fabric: gestión con asistencia agente

Las aplicaciones inteligentes dependen de datos operativos. Database Hub en Fabric está en vista previa pública como plano de control central para gestionar SQL Server, Azure SQL, PostgreSQL, Cosmos DB y SQL en Fabric. Agentes especializados para SQL y PostgreSQL, disponibles más adelante en vistas previas en Database Hub y Visual Studio Code, ayudarán a investigar cuellos de botella y encontrar oportunidades de optimización.

Construir IA sobre lo que hace diferente a cada empresa

El objetivo declarado de Microsoft es simple: que las organizaciones usen los mejores modelos y herramientas de IA disponibles para convertir sus datos, experiencia y flujos de trabajo en una ventaja que gana valor con el tiempo. En Ignite la historia se ampliará a todo el ecosistema Microsoft Frontier. El conjunto completo de anuncios está en el blog de Arun Ulagaratchagan, vicepresidente ejecutivo de Azure Data.

La entrada Microsoft Fabric y Azure Databases ponen los datos empresariales en el centro de la IA se publicó primero en PCFORMAT MX.

Supongamos que le preguntamos a una herramienta de IA: “¿Qué se dijo sobre inteligencia artificial en una conferencia de la UNAM?”. Podría responder: “Durante una conferencia en marzo de 2025, uno de los especialistas afirmó que México liderará América Latina en IA educativa”. Suena real, pero tal vez esa conferencia nunca ocurrió. Este es el problema de las alucinaciones en IA: cuando no tiene información suficiente, en lugar de decir “no sé”, inventa respuestas coherentes.

¿Qué es RAG y cómo soluciona este problema?

RAG (Retrieval-Augmented Generation o “generación aumentada por recuperación”) está cambiando la forma en que las empresas usan la IA. En lugar de confiar solo en patrones aprendidos de internet, el sistema consulta fuentes específicas como archivos, contratos, políticas internas o bases de conocimiento. Así, primero busca evidencia y luego responde.

El proceso tiene tres etapas:

• Recuperación: El sistema busca información específica dentro de las bases de conocimiento proporcionadas.
• Razonamiento: Interpreta y organiza la información encontrada.
• Generación: Transforma el análisis en una respuesta en lenguaje natural, basada únicamente en lo recuperado.

Si la información no está en la búsqueda inicial, para la IA simplemente no existe. Esto introduce un concepto clave: la capacidad de poner límites. Con RAG, si no hay evidencia, la IA no inventa respuestas. En su lugar, diría: “No encontré evidencia suficiente para confirmar esa información”.

Esta tecnología es especialmente relevante en entornos empresariales, donde los riesgos de la IA generativa en empresas pueden tener consecuencias graves. La adopción de RAG permite a las organizaciones reducir errores y mejorar la confianza en sus sistemas de IA.

¿Por qué es importante que la IA diga «no sé»?

El problema de muchas herramientas actuales no es solo que se equivocan, sino que se equivocan con seguridad. Cuanto más natural y sofisticada suena la IA, más difícil es detectar cuándo está inventando. RAG intenta cambiar esta dinámica: obliga al sistema a fundamentar sus respuestas en evidencia concreta. Si no hay evidencia, no hay afirmación.

Esto vuelve a la IA más honesta y transparente. Como explica Francisco Larez, VP de Progress para América Latina y el Caribe: “El verdadero avance de la IA se dará cuando pueda trabajar a la par con los humanos, y eso implica mostrar de manera transparente su ignorancia”.

En el contexto de la IA generativa en suites empresariales, donde los sistemas deben generar contenido contextual y personalizado, RAG asegura que las respuestas estén respaldadas por datos verificables, evitando así las alucinaciones.

¿Cómo se implementa RAG en la práctica?

Un ejemplo claro es el uso de RAG empresarial en centros de datos, como los desarrollados por Intel y Edgenet. Estos centros permiten a las empresas mexicanas implementar modelos de IA que consultan bases de conocimiento específicas antes de generar respuestas. Así, se garantiza que la información utilizada sea precisa y relevante.

Además, RAG es útil en aplicaciones como:

• Atención al cliente: Respuestas basadas en manuales o políticas internas.
• Análisis legal: Generación de documentos respaldados por contratos o regulaciones.
• Toma de decisiones: Recomendaciones basadas en datos empresariales verificables.

En todos estos casos, la IA ya no improvisa, sino que “abre la carpeta correcta, revisa los documentos y recién ahí contesta”, como lo haría un profesional responsable.

Conclusión: Hacia una IA más responsable

La adopción de RAG marca un avance significativo en la evolución de la IA. No solo mejora la precisión, sino que también introduce transparencia y responsabilidad en sistemas que, de otro modo, podrían generar información engañosa.

Para las empresas, esto significa menos errores, más confianza y una relación más sólida con sus herramientas de IA. Como concluye Larez: “La IA debe trabajar a la par con los humanos, y eso incluye saber cuándo no tiene la respuesta”.

En un mundo donde la IA generativa en empresas sigue creciendo, la capacidad de poner límites y ser transparente será clave para su adopción masiva y segura.

Sobre Francisco Larez

Francisco Larez es VP de Progress para América Latina y el Caribe. Con una amplia experiencia en tecnología y transformación digital, Larez ha liderado iniciativas para integrar soluciones de IA en empresas de la región, enfocándose en la gobernanza de datos y la adopción responsable de tecnologías emergentes.

La entrada La IA está aprendiendo a decir que no y poner límites se publicó primero en PCFORMAT MX.

La Inteligencia Artificial está dejando de ser una herramienta de apoyo para convertirse en un actor clave en la toma de decisiones empresariales. Según el estudio The Calculus of AI Sovereignty del IBM Institute for Business Value, a principios de 2026, los CEOs estimaban que la IA ya intervenía en el 25% de las decisiones operativas de sus organizaciones, y esperan que esta proporción alcance el 48% para 2030.

Este avance plantea un dilema que trasciende los departamentos de tecnología: ¿quién debe responder cuando una decisión automatizada genera pérdidas económicas, discrimina a una persona o afecta a un cliente? Para Liliana Palestina, CTO de Bluetab México, la respuesta es clara: “La IA no tiene criterio ni empatía. Las empresas deben mantener la responsabilidad y supervisión sobre las decisiones en las que intervienen”.

¿Cómo evitar el riesgo de la «caja negra» en la IA?

La IA ya participa en actividades que van desde aprobar créditos hasta optimizar rutas logísticas. Sin embargo, cuando la automatización afecta decisiones críticas —como contrataciones, acceso a financiamiento o atención médica—, el riesgo de reproducir errores o sesgos a escala aumenta. Aquí surge el problema de la «caja negra»: entra información y sale una decisión, pero la organización no puede explicar qué ocurrió en el proceso.

Como advierte Palestina: “Si la IA no puede explicarte en español simple por qué tomó una decisión, no debería estar funcionando en tu empresa”. Para mitigar este riesgo, propone una arquitectura de gobierno basada en tres pilares:

• Trazabilidad de datos (lineage): Reconstruir qué información utilizó el sistema.
• Auditoría del sistema (logging): Registrar su comportamiento.
• Supervisión humana: Entender los factores que influyeron en la recomendación, apoyada en Explainable AI.

Estos mecanismos son esenciales para garantizar que la IA operen con transparencia y rendición de cuentas. Además, según el estudio de IBM, las organizaciones con mayor control sobre su ecosistema de IA protegen un 55% más de beneficio operativo frente a disrupciones. Sin embargo, solo el 7% de las empresas opera en este nivel avanzado.

¿Gobernar los datos o gobernar la IA?

Para Palestina, una estrategia responsable de IA requiere primero responder preguntas fundamentales: ¿qué datos existen en la organización?, ¿quién es responsable de ellos?, ¿cuál es su calidad? y ¿bajo qué condiciones pueden usarse?.

“La gobernanza de datos es el ingrediente que decide si una IA te ayuda o te destruye. Imagina que la IA es el motor de un auto de carreras y los datos son el combustible. Si le pones gasolina adulterada, el auto se descompondrá en la primera curva”, explica la CTO de Bluetab México.

En este contexto, la gobernanza deja de ser un tema técnico para convertirse en un mecanismo de continuidad operativa, gestión de riesgos y protección del negocio. La gobernanza de la IA y transparencia en decisiones automatizadas son claves para evitar que los sistemas actúen como «cajas negras» sin explicación.

¿Qué decisiones no debería tomar la IA sola?

Aunque la autonomía de la IA avanza, Palestina insiste en que no todas las decisiones pueden delegarse por completo a los sistemas. Procesos que involucren empatía, contexto moral o derechos fundamentales deben mantener supervisión humana.

Ejemplos críticos incluyen:

• Despidos o contrataciones.
• Rechazo de seguros de vida.
• Decisiones médicas complejas.
• Gestión de crisis corporativas.

Como resume la experta: “La regla de oro es que la IA te aconseja y prepara la información, pero el clic final lo hace una persona”.

Este principio adquiere mayor relevancia con la llegada de agentes de IA autónomos. Antes de adoptarlos, Palestina recomienda ordenar los fundamentos: identificar datos disponibles, establecer responsables, evaluar su calidad y definir qué información privada no debe usarse. La IA agéntica en la transformación empresarial ya está demostrando cómo estos sistemas pueden asumir roles de colaboración y autonomía.

¿Cómo está cambiando la productividad con la IA?

La automatización de procesos empresariales con IA ya está generando beneficios tangibles en productividad y rentabilidad. Según el artículo sobre ChatGPT y su impacto en los negocios, herramientas como esta permiten a las empresas optimizar operaciones, analizar datos y crear nuevos servicios sin necesidad de un ejército de expertos en machine learning.

Sin embargo, Palestina advierte: “Muchas empresas quieren contratar agentes de IA superavanzados, pero sus datos están desordenados en archivos de Excel olvidados. Primero se limpia la cocina y luego se prepara la cena. Con la IA es exactamente igual”.

Conclusión: El futuro de la IA en las empresas

En un escenario donde la IA podría participar en casi la mitad de las decisiones operativas para 2030, el desafío ya no será solo qué tan inteligente puede ser un sistema, sino qué tan preparada está la organización para entenderlo, supervisarlo y asumir la responsabilidad por sus acciones.

La gobernanza de datos, la transparencia y la supervisión humana son los pilares que permitirán a las empresas aprovechar el potencial de la IA sin caer en los riesgos de la automatización sin control.

La entrada La IA ya decide en las empresas pero ¿quién responde por sus errores? se publicó primero en PCFORMAT MX.

El informe Education Protect Brief 2026 de SonicWall, publicado el 7 de septiembre de 2026, confirma que el sector educativo es el más atacado en términos de intensidad por dispositivo. Durante el primer semestre del año, se registraron 81,879 intentos de intrusión por dispositivo, una cifra sin precedentes entre todas las industrias analizadas. Este dato no solo subraya la vulnerabilidad del sector, sino también la sofisticación creciente de los ataques, potenciada por herramientas como la inteligencia artificial.

El problema radica en la naturaleza misma de las redes educativas: campus universitarios y distritos escolares operan infraestructuras abiertas por diseño. Dispositivos de estudiantes, sistemas de investigación, portales públicos, plataformas de aprendizaje de terceros y bases de datos administrativas comparten el mismo espacio. El modelo Bring Your Own Device (BYOD) no es una opción, sino una necesidad operativa. Como señala Michael Crean, vicepresidente sénior de Servicios Gestionados de SonicWall: “El sector educativo presenta la mayor superficie de ataque de todos los sectores que analizamos, y los datos demuestran que los atacantes lo saben”.

¿Por qué el sector educativo es el más vulnerable?

El informe identifica varios factores clave que explican esta situación:

• Explotación de VoIP: Los ataques mediante SIPVicious generaron 90 millones de intentos combinados, representando el 50.5% de todos los eventos IPS en el sector. Esta concentración no tiene paralelo en otros mercados verticales.
• Vulnerabilidades persistentes: La inyección de comandos en cámaras IP de Hikvision, divulgada en 2021, sigue sin corregirse en el 28% de las redes educativas. Esto convierte a estos dispositivos en puertas de entrada directas a sistemas críticos.
• Malware y ransomware: Se detectaron 16,242 casos de malware por dispositivo, casi 3.5 veces más que en el sector retail. Además, 44 organizaciones reportaron campañas activas de ransomware, incluyendo la familia Ryuk.
• Deuda técnica: Sistemas como Apache Log4j2 (con 6.7 millones de impactos) y MongoBleed (2.5 millones de ataques) demuestran que muchas plataformas de gestión del aprendizaje y middleware administrativo aún ejecutan software vulnerable.

¿Cómo abordar el problema estructural?

El informe de SonicWall destaca que el modelo Zero Trust es la solución más efectiva para el sector educativo. A diferencia de los modelos tradicionales, que confían en un perímetro seguro, Zero Trust aplica verificación continua en cada punto de acceso. Esto significa que:

• Las credenciales de un estudiante que se graduó hace años no conservan acceso silencioso a la red.
• Un inicio de sesión comprometido solo permite acceder a la aplicación autorizada, no a bases de datos de investigación o interfaces administrativas.
• Se elimina el riesgo de movimiento lateral, tan común en ataques como los de SIPVicious o Log4j2.

Como explica Crean: “El sector educativo no necesita cerrar sus puertas para ser seguro. Necesita saber quién entra por ellas”. La adopción de Zero Trust no solo mitiga los riesgos actuales, sino que también prepara a las instituciones para enfrentar amenazas futuras en un entorno cada vez más complejo.

¿Qué puede aprender el sector de estos datos?

El Education Protect Brief 2026 ofrece lecciones valiosas para otras industrias:

• Inversión en seguridad proactiva: Los firewalls son esenciales, pero no suficientes. Se requieren soluciones que inspeccionen el tráfico interno y protejan dispositivos heredados.
• Actualización de sistemas: La persistencia de vulnerabilidades como Hikvision o Log4j2 demuestra la importancia de parchear sistemas críticos, incluso años después de su divulgación.
• Concienciación y capacitación: El VeeamON Tour México 2024 es un ejemplo de cómo la capacitación en resiliencia de datos y ciberseguridad puede marcar la diferencia en la preparación contra ataques.

El informe completo está disponible en el sitio oficial de SonicWall.

La entrada El sector educativo lidera los ataques cibernéticos en 2026 con 81,879 intentos por dispositivo se publicó primero en PCFORMAT MX.

Esta innovación, anunciada durante el Transformation World 2026 en Heidelberg, Alemania, acelera las transformaciones seguras de SAP, reduciendo el esfuerzo manual y ofreciendo información en tiempo real. Con décadas de experiencia integradas, Kyano Lorna permite ejecutar proyectos más rápidos y eficientes sin sacrificar la trazabilidad total.

¿Cómo optimiza Kyano Lorna los proyectos de migración de SAP?

En un proyecto típico de migración de SAP, la transformación de datos es solo una parte del proceso, pero requiere precisión y trazabilidad absolutas. Kyano CrystalBridge®, la solución probada de SNP, ya automatiza gran parte de la migración principal. Sin embargo, Kyano Lorna lleva la optimización un paso más allá al enfocarse en las actividades periféricas que rodean el núcleo de la migración.

La IA agéntica reduce el esfuerzo manual, agiliza la toma de decisiones y proporciona recomendaciones específicas para cada proyecto en tiempo real. Los usuarios interactúan con Kyano Lorna mediante lenguaje natural, aprovechando más de 30 años de experiencia práctica de SNP en migración y transformación de datos. Cuando se conecta a los sistemas SAP, esta solución configura, ejecuta e interactúa con las herramientas de SNP para agilizar la preparación y ejecución del proyecto.

Por ejemplo, Kyano Lorna ayuda a resolver problemas en bucle cerrado durante las migraciones de prueba, garantizando que los proyectos sean totalmente auditables, más rápidos, eficientes y con menor riesgo. A diferencia de los chatbots tradicionales, esta solución está integrada directamente en proyectos activos, combinando una base de datos con el conocimiento único de miles de proyectos exitosos y el acceso a los entornos SAP de los clientes.

¿Qué ventajas ofrece la IA agéntica en la transformación de datos?

Kyano Lorna analiza los datos del sistema, identifica riesgos potenciales de forma temprana, genera reglas de transformación y acelera el análisis de causa raíz. Además, respalda la resolución activa de problemas y la verificación de datos, asegurando que cada migración cumpla con los más altos estándares de precisión y cumplimiento normativo.

Como destacó Jens Amail, CEO de SNP: “Con Kyano Lorna, llevamos las transformaciones de SAP impulsadas por IA al siguiente nivel. Estamos poniendo a disposición nuestras décadas de experiencia en transformación justo donde generan el mayor valor: directamente dentro del proyecto”. Esto permite a clientes y socios entregar transformaciones radicalmente más rápido, manteniendo la fiabilidad y el cumplimiento.

Implementación gradual de Kyano Lorna

Tras su presentación en Transformation World, SNP implementará Kyano Lorna por fases. Clientes y socios tendrán acceso gradual a nuevas capacidades impulsadas por IA, diseñadas para acelerar y simplificar aún más las transformaciones seguras y auditables de SAP.

La entrada SNP Kyano Lorna redefine la transformación de datos empresariales en SAP se publicó primero en PCFORMAT MX.

En un entorno donde las instituciones financieras aceleran la adopción de inteligencia artificial (IA) en ambientes digitales cada vez más complejos, la calidad, el contexto y la confiabilidad de los datos operacionales se vuelven críticos. La empresa, líder en soluciones de observabilidad de red, AIOps, ciberseguridad y protección contra DDoS, mostrará cómo su tecnología puede mejorar la precisión de los sistemas de IA en la toma de decisiones.

¿Por qué son críticos los datos operacionales para la IA en banca?

La NETSCOUT aborda uno de los desafíos fundamentales de la IA corporativa: proporcionar un contexto operacional confiable a los sistemas de inteligencia artificial. Mediante la inspección profunda de paquetes a escala, la empresa transforma el tráfico de red en Smart Data estructurado y contextualizado, con metadatos de alta fidelidad derivados de las comunicaciones reales entre usuarios, aplicaciones, servicios e infraestructura.

Esta inteligencia, combinada con otras fuentes de telemetría, permite a los sistemas de IA distinguir síntomas de causas raíz, reducir ambigüedades y ofrecer insights más confiables para la resolución de problemas, la gestión del rendimiento y la toma de decisiones operacionales. En el sector financiero, donde los servicios digitales deben permanecer disponibles de manera continua, esta visibilidad es especialmente importante.

¿Qué presentará NETSCOUT en la Febraban Tech 2026?

Durante el evento, los especialistas de NETSCOUT estarán disponibles en el estande de Logicalis (A108) para discutir los siguientes temas:

• La importancia de los datos operacionales confiables para la IA corporativa y el AIOps;
• Cómo el NETSCOUT Smart Data proporciona inteligencia y contexto listos para IA;
• El papel de la inspección profunda de paquetes y la visibilidad a nivel de paquete para mejorar el análisis operacional orientado por IA;
• Observabilidad en aplicaciones, redes, nube y entornos híbridos;
• Mejora del rendimiento, la disponibilidad y la resiliencia de los servicios financieros digitales;
• Aceleración de la identificación y análisis de causas raíz en entornos de TI complejos;
• Ciberseguridad, inteligencia de amenazas y protección contra ataques DDoS.

Declaraciones clave: el valor de los datos correctos

Geraldo Guazzelli, director general de NETSCOUT Brasil, destacó:

“Las instituciones financieras están avanzando rápidamente para implementar la IA, pero la calidad de los resultados depende, en última instancia, de la calidad y el contexto de los datos disponibles. NETSCOUT proporciona a los sistemas de IA y a los equipos de TI una inteligencia operacional de alta fidelidad, derivada de lo que realmente está sucediendo en la red. Este contexto confiable puede ayudar a las organizaciones a ir más allá de la experimentación con IA, hacia análisis más precisos, una resolución más rápida de problemas y una mayor confianza en las operaciones asistidas por IA”.

Guazzelli también añadió:

“Las organizaciones están descubriendo que simplemente alimentar a la IA con más datos no produce necesariamente mejores resultados. Grandes volúmenes de telemetría fragmentada, ruidosa o mal contextualizada pueden aumentar los costos y dificultar que la IA llegue a conclusiones confiables. El objetivo no debe ser tener más datos en sí mismos, sino los datos correctos, con la fidelidad y el contexto necesarios para apoyar mejores decisiones operacionales”.

NETSCOUT y Logicalis: una alianza para la innovación en banca

La participación de NETSCOUT en la Febraban Tech 2026 refuerza su asociación con Logicalis y su compromiso de ayudar a las instituciones financieras de Brasil a enfrentar la convergencia de IA, observabilidad, ciberseguridad y resiliencia operacional. A medida que la IA asume un papel más importante en las operaciones de TI, la visibilidad confiable de las redes y servicios de los que depende la banca digital será clave para transformar la innovación en IA en resultados de negocio medibles.

Detalles del evento

Fechas: 24, 25 y 26 de agosto de 2026
Lugar: Distrito Anhembi, São Paulo (SP)
Ubicación de NETSCOUT: Estande de Logicalis, estande A108 (cerca del Auditorio Inmersión)
Portavoces disponibles: Geraldo Guazzelli y Fernando Sete (NETSCOUT Brasil)
Entrevistas: Presenciales durante el evento, con agendamiento previo.

¿Por qué la observabilidad de red es clave para la IA en banca?

La observabilidad de red permite a las instituciones financieras:

• Reducir el tiempo de inactividad en servicios críticos;
• Detectar y mitigar ataques DDoS en tiempo real;
• Optimizar el rendimiento de aplicaciones y transacciones;
• Garantizar la resiliencia operacional en entornos híbridos y multinube;
• Proporcionar datos contextualizados para sistemas de IA y AIOps.

Con soluciones como las de NETSCOUT, los bancos pueden confiar en que sus operaciones digitales están respaldadas por una base de datos precisa, estructurada y lista para la IA.

La entrada NETSCOUT en Febraban Tech 2026: datos confiables como base para la IA en servicios financieros se publicó primero en PCFORMAT MX.

La inteligencia artificial es una de las áreas tecnológicas con mayor proyección económica, impulsando cambios profundos en la forma en que las empresas operan e innovan. Según el informe FutureScape de IDC, para 2027, las 5,000 principales empresas de América Latina destinarán más del 25% de su presupuesto central de TI a iniciativas de IA. Esto generará un aumento de dos dígitos en la tasa de innovación de productos y procesos.

En la región, esta tendencia representa una oportunidad clave para que los operadores de centros de datos respondan a las nuevas demandas. Investigaciones de Morgan Stanley estiman que la demanda energética de la IA generativa crecerá a una tasa anual del 70% hasta 2027, lo que exige una revisión urgente de la infraestructura existente.

¿Por qué la eficiencia no es negociable en la era de la IA?

Fabio Olivetti, gerente de ofertas de agua helada y alta densidad para centros de datos de Vertiv LATAM, destaca que «en el ecosistema de la IA generativa, la eficiencia no es negociable: la disponibilidad y calidad de la energía son los únicos garantes de la confiabilidad operativa». Este enfoque subraya la necesidad de repensar el diseño de la infraestructura para garantizar el éxito en la implementación de soluciones de IA.

Principios de diseño específicos para IA

Para enfrentar estos desafíos, Vertiv ha desarrollado principios de diseño específicos para IA, que permiten responder a los nuevos requisitos de carga de trabajo y densidad:

¿Cómo integrar energía y enfriamiento de manera holística?

Se requiere un enfoque integral que combine tecnologías avanzadas, como el enfriamiento líquido directo al chip y la infraestructura eléctrica de alta eficiencia. Esto mejora la escalabilidad y garantiza que las cargas de trabajo de IA no se vean limitadas por restricciones de infraestructura. Más detalles aquí.

¿Qué estrategias optimizan el uso eficiente de la energía?

Los racks de IA deben aprovechar cada watt de manera eficiente, eliminando la energía ociosa y alineando los clústeres de IA con los bloques de capacidad del centro de datos. El monitoreo en tiempo real y la optimización de la distribución de energía son clave para reducir el consumo energético, especialmente en centros de datos con capacidades superiores a 50 MW.

¿Cómo equilibrar el TCO, la redundancia y el radio de impacto?

Maximizar el valor de la infraestructura de IA requiere un análisis cuidadoso de los costos totales, la redundancia y el alcance potencial de los daños en caso de fallas. La gestión remota fuera de banda puede reducir los tiempos de recuperación de horas a minutos, optimizando la inversión y la confiabilidad.

¿Por qué es crucial preparar los centros de datos para picos en las cargas de trabajo?

Las cargas de trabajo de IA pueden variar drásticamente, exigiendo una infraestructura flexible que soporte estas demandas dinámicas mediante capacidad de reserva y controles avanzados a nivel de sistema.

¿Qué ventajas ofrece combinar enfriamiento líquido y por aire?

La combinación de tecnologías de enfriamiento líquido y por aire permite crear soluciones flexibles, eficientes y escalables, adaptadas a las necesidades específicas de las cargas de trabajo de IA.

¿Por qué el diseño debe pensar en el futuro?

Los diseñadores de infraestructura para IA deben anticipar un futuro donde la capacidad computacional de un centro de datos de 1 MW pueda concentrarse en un solo rack. La visión a largo plazo es esencial para garantizar la escalabilidad y sostenibilidad.

Simplificar la transición hacia la alta densidad

Algunas empresas han enfrentado desafíos debido a la falta de espacio para racks de alta densidad o limitaciones en la infraestructura eléctrica. Un ejemplo destacado es Colovore, un centro de datos en Silicon Valley diseñado para soportar cargas de alta densidad asociadas a IA, machine learning y big data. Con hasta 50 kW de capacidad por rack y un modelo de pago por kW, Colovore ha optimizado su infraestructura para maximizar la eficiencia energética y térmica.

Olivetti enfatiza que «optimizar un centro de datos para las demandas de la IA requiere alejarse de los modelos de infraestructura estática. La implementación exitosa no es una meta estática, sino una evolución: solo la integración de gestión térmica avanzada y potencia modular garantiza que la infraestructura respire al mismo ritmo que la carga de trabajo».

La verdadera preparación para el desarrollo de la IA no reside en la capacidad instalada, sino en la agilidad de la infraestructura. Solo mediante una arquitectura modular de energía y enfriamiento es posible transformar la incertidumbre del crecimiento en una ventaja operativa escalable y sostenible.

La entrada Cómo la IA está redefiniendo el diseño de la infraestructura TI crítica en centros de datos se publicó primero en PCFORMAT MX.

SAN JOSÉ, California, febrero de 2026 – Cisco (NASDAQ: CSCO) reveló que la IA está redefiniendo el panorama de la privacidad de datos, con un 90% de las empresas expandiendo sus programas de privacidad y un 93% planeando invertir más en los próximos dos años. El estudio, basado en encuestas a 5,200 profesionales de TI en 12 mercados globales —incluyendo 390 entrevistados en México</strong—, muestra que la demanda de datos de alta calidad para IA está exponiendo brechas críticas en supervisión y gobernanza.

¿Cómo está cambiando la IA el enfoque en privacidad y gobernanza?

El 38% de las organizaciones (31% en México) invirtió al menos 5 millones de dólares en privacidad en el último año, frente al 14% en 2024. Este salto refleja una transición: la privacidad ya no es solo cumplimiento, sino un habilitador estratégico para la innovación. El 99% de los encuestados en México reportó beneficios tangibles, como mayor agilidad y lealtad del cliente, gracias a marcos robustos de privacidad.

¿Por qué la transparencia es clave para la confianza en la era de la IA?

El 96% de las organizaciones (99% en México) afirma que la privacidad desbloquea la innovación en IA, mientras que el 95% (97% en México) la considera esencial para la confianza del cliente. Sin embargo, solo el 12% global (14% en México) describe sus comités de gobernanza de IA como maduros y proactivos. La comunicación clara sobre el uso de datos sigue siendo la acción más efectiva para generar confianza, según el 46% de los profesionales.

¿Qué desafíos globales genera la IA en el flujo de datos?

El 81% de las organizaciones (86% en México) enfrenta mayor demanda de localización de datos, pero el 85% (87% en México) señala que esto añade costos y complejidad. Además, el 77% (76% en México) reporta que los requisitos de localización limitan su capacidad para ofrecer servicios 24/7. Las empresas globales prefieren socios tecnológicos con presencia internacional: el 82% en México cree que estos gestionan mejor los flujos transfronterizos.

¿Qué acciones concretas deben tomar las organizaciones?

Para evolucionar de un cumplimiento reactivo a un enfoque proactivo, el estudio recomienda:

• Invertir en infraestructura de datos robusta.
• Priorizar la transparencia en el uso de datos.
• Integrar seguridad y privacidad en todas las iniciativas de IA.
• Establecer gobernanza sólida y capacitar equipos con formación integral.

“La IA exige una gobernanza holística de todos los datos, tanto personales como no personales”, destacó Jen Yokoyama, Vicepresidenta Senior de Innovación Legal en Cisco. “Las organizaciones deben estructurar sus datos para garantizar que cada decisión automatizada sea explicable”.

El informe completo está disponible en el Cisco Trust Center.

La entrada IA impulsa un aumento histórico en inversiones en privacidad de datos y redefine la gobernanza global se publicó primero en PCFORMAT MX.

Según datos de Kaspersky, el país registró 36.4 millones de detecciones de malware en 2025 —equivalentes a 70 ataques por minuto—, consolidándose como el segundo más atacado de América Latina, solo detrás de Brasil. Ante este escenario, el gobierno mexicano ha presentado su Plan Nacional de Ciberseguridad 2025-2030 y avanza en la promulgación de una Ley General de Ciberseguridad, ambos impulsados por la Agencia de Transformación Digital y Telecomunicaciones (ATDT) con un presupuesto récord de 3,852 millones de pesos para 2026.

¿Por qué México es un blanco prioritario para los ciberataques?

México enfrenta una ola histórica de ciberamenazas, impulsadas por:

• Automatización e IA: Los ataques ya no son indiscriminados, sino campañas dirigidas que explotan vulnerabilidades específicas en aplicaciones, identidades e infraestructuras. En 2025, el país recibió 40,600 millones de intentos de ciberataques en solo seis meses, según Fortinet, una de las cifras más altas de la región.
• Infraestructura crítica expuesta: Sectores como manufactura (22.91% de los incidentes), gobierno (13.39%) y retail (6.16%) son los más afectados, con tácticas que incluyen ransomware (+37% en 2025) y phishing avanzado.
• Eventos de alto perfil: La celebración del Mundial de Fútbol 2026 incrementará la exposición a ataques geopolíticos, desinformación coordinada y sabotaje digital, según advirtió la ATDT.

¿Qué propone el Plan Nacional de Ciberseguridad 2025-2030?

El plan, estructurado en seis fases (Fundamento, Expansión, Consolidación, Maduración, Liderazgo y Transformación), busca:

1. Transitar de una postura reactiva a preventiva: Creación del Centro Nacional de Operaciones de Ciberseguridad (CNSOC) y una red de CSIRTs para alertas tempranas y respuesta coordinada.
2. Homologar la madurez institucional: Inventarios de infraestructura crítica, evaluaciones de vulnerabilidad y capacitación obligatoria para servidores públicos.
3. Establecer un marco legal unificado: La Ley General de Ciberseguridad —en proceso de promulgación— incluirá lineamientos obligatorios para gestión de riesgos, reporte de incidentes y sanciones por incumplimiento.
4. Fortalecer la gobernanza: Un Consejo Nacional de Ciberseguridad integrará a gobierno, academia e industria para alinear estrategias y compartir inteligencia.

Sin embargo, expertos como Víctor Ruiz, fundador de Silikn, señalan que el borrador legislativo aún presenta vacíos conceptuales que podrían limitar su impacto, especialmente en un contexto donde el 78% de los ataques en la región usan IA para evadir defensas tradicionales.

¿Cómo deben responder las organizaciones?

La ciberseguridad moderna requiere un enfoque integral, basado en:

1. Protección multicapa y Zero Trust

• Seguridad desde el diseño: Integrar controles en el ciclo de desarrollo de aplicaciones (DevSecOps) y adoptar modelos Zero Trust para acceso a datos y sistemas.
• Monitoreo continuo: Usar analítica avanzada e IA para detectar comportamientos anómalos en tiempo real, especialmente en entornos cloud y OT (tecnología operativa).
• Resiliencia operativa: Implementar planes de continuidad de negocio que incluyan simulacros de incidentes y recuperación de datos.

2. Cultura de ciberseguridad y concientización

El factor humano sigue siendo el eslabón más débil:

• El 80% de las brechas comienzan con phishing o ingeniería social. Programas de entrenamiento continuo —no solo anuales— reducen la superficie de ataque hasta en un 60%.
• En 2026, se espera un aumento de ataques con deepfakes y voz sintética: el 72% de los mexicanos desconoce qué es un deepfake, lo que los hace vulnerables a fraudes más creíbles.

3. Gestión de riesgos en la era de la IA

La adopción acelerada de IA introduce nuevos vectores de ataque:

• Protección de ciclos de vida de IA: Desde los datos de entrenamiento hasta los modelos en producción, para evitar manipulación de resultados o fugas de información.
• Auditorías de algoritmos: Validar que los sistemas de IA cumplan con estándares de transparencia y no perpetúen sesgos que afecten la toma de decisiones.

¿Qué errores deben evitar las empresas?

Los principales fallos en ciberseguridad incluyen:

• Enfoque reactivo: Detectar vulnerabilidades solo después de un incidente genera pérdidas económicas, interrupciones operativas y daño reputacional irreversible.
• Subestimar el cumplimiento: En 2026, la ciberseguridad dejará de ser una «buena práctica» para convertirse en un requisito legal, con auditorías más exigentes y multas por incumplimiento.
• Falta de inversión en talento: México enfrenta una brecha de 30,000 profesionales en ciberseguridad. Capacitar equipos internos o aliarse con MSSP (proveedores de servicios gestionados) es clave.

Conclusión: Ciberseguridad como habilitador de innovación

El Plan Nacional de Ciberseguridad 2025-2030 y la próxima Ley General marcan un punto de inflexión: la seguridad digital ya no es un departamento aislado, sino una condición de negocio. Las organizaciones que integren la ciberseguridad desde el diseño, monitoreen su exposición de forma continua y desarrollen capacidades internas para anticipar riesgos no solo reducirán su exposición, sino que ganarán ventaja competitiva en un mercado donde clientes y socios exigen pruebas de resiliencia, no promesas.

En un ecosistema interconectado, la pregunta ya no es si habrá un ataque, sino qué tan preparados estamos para prevenirlo, detectarlo y responder. La combinación de estrategia, cultura y visión de largo plazo será la clave para construir un México digital más seguro y confiable.

La entrada Ciberseguridad integral en México 2026: la defensa estratégica que exige el ecosistema digital se publicó primero en PCFORMAT MX.