Otros IA

El rito de iniciación de los consultores junior —noches en vela puliendo presentaciones, investigación manual interminable— está crujiendo. "Lilli", de McKinsey, escanea más de 100.000 documentos en segundos y redacta presentaciones; "Deckster", de BCG, pule diapositivas al instante; según un análisis, cerca del 80% del trabajo de investigación y diapositivas de un analista junior podría reemplazarse en segundos. Como siguiente entrega de nuestra serie de impacto de la IA por sector, tras el #068 (comercializadoras) y el #094 (marketing), este artículo repasa la consultoría: la situación en números (las Big Four y las casas de estrategia volcaron más de 10.000 millones de dólares en IA desde 2023; PwC 1.000 millones a tres años; BCG ~25% de sus 14.400 millones de ingresos de 2025 = ~3.600 millones por IA; un estudio de HBS sobre 758 consultores de BCG mostró que quienes usaban IA hacían un 12,2% más de tareas, un 25,1% más rápido y con más de un 40% de calidad), las cinco áreas que la IA cambia (investigación, presentaciones, análisis, actas y nuevos servicios de estrategia de IA, generadora neta de empleo por ahora en las grandes firmas), el derrumbe del modelo piramidal (trabajo rutinario junior, ~80% según un cálculo, automatizado en segundos; hacia equipos reducidos de pocas personas más IA, con dudas sobre la cantera de formación), el terremoto en los precios (la paradoja de la productividad —terminar más rápido implica facturar menos con tarifas por hora— y el 73% de los clientes prefiriendo precios por resultados, impulsando el giro a modelos por resultados y de precio fijo), el valor esencial que no cambia (plantear la pregunta, interpretación, juicio, confianza, ejecución: importa más el consultor que pilota el sistema que el sistema), la bifurcación gigantes-petroleros vs. boutiques-lanchas (crecimiento de las firmas pequeñas de hasta el 50% según estimaciones) y consejos por rol para aspirantes, profesionales y empresas clientes. La pregunta que plantea la IA: ¿tu valor es el trabajo o el juicio?

En Davos, en enero de 2026, las mentes más destacadas del campo chocaron entre "la AGI está a la vuelta de la esquina" y "la esencia aún está lejos" — y la mecha fue la AGI (Artificial General Intelligence). Este artículo para principiantes parte de qué es la AGI — "una IA polivalente que, como un humano, puede aprender y resolver por sí misma incluso cosas completamente nuevas en cualquier campo" (aunque una meta aún no realizada a fecha de 2026) — y luego cubre la diferencia decisiva con la IA estrecha actual al estilo de ChatGPT (¿puede "transferir" conocimiento a un campo distinto?; generalización y adquisición autónoma de habilidades), el desglose en tres etapas de IA estrecha → AGI → ASI (superinteligencia), la amplia dispersión de las predicciones de los expertos sobre el calendario (Amodei, de Anthropic, optimista con unos pocos años/en torno a 2027; Hassabis, de DeepMind, cauteloso con ~50% para 2030; una mediana de encuesta a investigadores de 2047; escépticos como Marcus que dicen que está lejos o que no llegará — la dispersión proviene de definiciones diferentes), qué tan cerca está la IA actual (por debajo de la línea base humana en ARC-AGI, pero acercándose a la puerta gracias a lo multimodal y los agentes), las esperanzas (acelerar las enfermedades y la ciencia) y los riesgos (empleos, uso indebido, el problema de alineamiento — situado por Anthropic y UK AISI como un punto de decisión crítico), y errores comunes como "ChatGPT ya es AGI" y "AGI = tiene conciencia". Ni demasiado asustados ni demasiado soñadores, domina la IA estrecha que tienes en las manos mientras observas con calma lo que viene después.

Cuando el anuncio navideño con IA generativa de Coca-Cola fue tachado de "sin alma" a finales de 2024, simbolizó el tira y afloja de la IA en el marketing: "eficiencia y eficacia" frente a "confianza y emoción". Este artículo repasa el tema, primero midiendo la situación en cifras (alrededor del 87% de los marketeros usa IA generativa, frente al 51% de 2024; más del 71% de la inversión publicitaria gobernada por algoritmos; Google creó unos 70 millones de recursos creativos con Gemini solo en el Q4 2025; el gasto en herramientas de IA de marketing prácticamente se triplicó en 18 meses). Cubre las cinco áreas que la IA cambia (① creación de contenido ② creativo publicitario ③ segmentación & distribución / programática ④ personalización / DCO ⑤ analítica & medición) y los efectos reportados (DCO con ~32% más de CTR y ~56% menos de CPC, textos con IA a 3,2x de ROI, segmentación propia/contextual hasta 2x de ROAS, todo publicado y dependiente de las condiciones); el núcleo que no cambia (estrategia, marca, confianza y creatividad rompedora siguen en manos humanas; la IA es un amplificador, base cero significa respuesta cero); el cambio sísmico SEO/AEO/LLMO (con enlaces internos); los riesgos (la brecha de percepción del 82% de ejecutivos frente al 45% de consumidores sobre los anuncios de IA, la fabricación plausible, el brand safety, los derechos/regulación, la operación descontrolada sin supervisión); cómo cambia el trabajo del marketero (tareas que se quitan, criterio más pesado; de productor a redactor jefe y estratega); y un plan práctico de cinco pasos para hoy. El mayor impacto de la IA es liberar el tiempo humano del hacer para pasarlo al decidir.

Tu presentación es mañana a primera hora y tus diapositivas siguen en blanco; sin embargo, escribes una línea con el tema y minutos después tienes 20 diapositivas en borrador alineadas. Así son las diapositivas con IA en 2026. Esta guía divide la creación de diapositivas en tres etapas (estructura, guion, diseño) y expone dos enfoques: generación todo en uno (lanza un tema, obtén todo) vs. división del trabajo (clava la estructura y el guion en ChatGPT/Claude/Gemini y luego deja que una herramienta dedicada diseñe). Compara las herramientas principales (Gamma, de generación rápida; Copilot en PowerPoint, con .pptx nativo y sin roturas; Gemini para Google Slides, fuerte en colaboración; Beautiful.ai, las más bonitas; Canva, rica en plantillas; el complemento de ChatGPT para PowerPoint lanzado en mayo de 2026; sin campeón absoluto, elige por la salida), el flujo de 5 pasos más repetible (estructura → guion → volcar en una herramienta de diseño → verificar cifras y fuentes → exportar a .pptx/Slides), tres prompts listos para copiar y pegar (esquema, desarrollar una diapositiva con notas del orador, reformatear para una herramienta de diseño), seis consejos para diapositivas que conecten (un mensaje por diapositiva, reducir el texto a la mitad y más) y las trampas: rotura de diseño en .pptx, un primer borrador inflado, datos inventados plausibles, envío de información confidencial y el cierre de herramientas (Tome, que terminó sus diapositivas en abril de 2025, como lección). La IA es el socio que hace el borrador en un instante; recortar y verificar es tarea del humano.

Una nota manuscrita, un recibo de papel, texto en inglés dentro de una captura, un cartel en una foto: el tecleo que siempre has hecho a mano es, en 2026, casi del todo innecesario gracias a la IA. Esta guía parte de en qué se diferencia el OCR con IA del tradicional (leer un carácter cada vez frente a entender la página entera por su significado) y luego ordena tres opciones (IA de chat general / herramientas dedicadas como Google Lens / API y OSS como Mistral OCR y PaddleOCR-VL) por caso de uso. Compara ChatGPT (GPT-5.5), Gemini 3.1 Pro y Claude (Opus 4.8) por punto fuerte (manuscrito → familia GPT, estructurar tablas → familia Claude, muchas páginas → contexto largo de Gemini, OCR puro → modelos especializados; no hay campeón absoluto), ofrece tres prompts listos para usar (transcribir sin romper, tabla a Markdown, recibo a JSON, todos con una regla de «no inventar»), la mejor opción por caso (manuscrito, recibos, PDF, tablas complejas, texto vertical/antiguo, fórmulas y código), seis consejos de precisión con la calidad de imagen como el 80 % del resultado, y la única y mayor debilidad del OCR con IA: inventar de forma plausible lo que no puede leer (concilia siempre importes, fechas y nombres con el original), además de precauciones de privacidad sobre el envío de datos confidenciales, derechos de autor y uso para entrenamiento. Lo que puedes dejar a la IA es solo la «lectura»; confirmar es tarea del humano que ha visto el original.

Sabes "qué es RAG", pero cuando construyes uno la respuesta sale mal, porque sigue siendo RAG ingenuo: trocear descuidadamente y hacer una simple búsqueda vectorial. Como continuación de implementación del artículo 030, esto explica etapa por etapa el pipeline de RAG práctico de 2026 (chunking inteligente, embedding, vector DB, búsqueda híbrida, reranking): estrategias de chunking (recursive 512 por defecto, semantic/structural/parent-child, Contextual Retrieval que según se reporta reduce los fallos de recuperación hasta un 67%), la elección de un modelo de embedding (text-embedding-3-large, etc.), una comparativa de seis vector DB (Chroma para prototipar, pgvector con Postgres, Qdrant de baja latencia, Pinecone totalmente gestionado, Weaviate campeón de la híbrida, Milvus a gran escala), búsqueda híbrida que fusiona BM25 + vectores densos con RRF, retrieve-then-rerank con un bi-encoder y luego un cross-encoder (Cohere/Voyage/BGE/Jina), el reparto entre LlamaIndex (recuperación) y LangChain/LangGraph (control), por qué una ventana de 1M de tokens no reemplaza al RAG (lost in the middle, distracción) y precauciones para producción como construir primero un conjunto de evaluación.

Ya sabes «qué es un agente de IA»; entonces, ¿cómo construyes uno? En 2026, sin código puedes tener un agente funcionando en una tarde arrastrando y soltando, y los SDK modernos te dejan montar uno práctico en menos de 100 líneas. Como complemento práctico de «qué es un agente de IA», esto cubre la anatomía (cerebro LLM + instrucciones + herramientas + memoria + bucle autónomo), los dos caminos (sin código vs. con código), el marco de construcción universal en 5 pasos (delimita el problema, elige tu base, escribe las instrucciones, conecta herramientas, prueba en pequeño), una comparación de herramientas sin código (Dify como plataforma completa, n8n para integración empresarial, Flowise para prototipado, y los más fáciles Custom GPT/Gemini Gems/Claude Projects), una comparación de frameworks de código (los sólidos Claude Agent SDK/OpenAI Agents SDK, LangGraph para control complejo, CrewAI para coordinación de roles), un ejemplo práctico concreto (resumir un correo de soporte y luego notificar en Slack), guías de coste (~$10-$50/mes de plataforma más uso del modelo) y plazos, y los errores comunes (no abarcar demasiado, permisos y control de descontrol, cuidado con el «solo PoC»). Para la mayoría de la gente, construir uno sin código primero es la decisión correcta.

«ChatGPT, Claude o Gemini: ¿a cuál me suscribo?». En 2026 los tres rondan los $20/mes y son de primer nivel, así que no hay un único «este gana». La pregunta correcta es «cuál es el mejor para tu caso de uso». A partir del consenso entre fuentes, este artículo cubre lo básico (proveedor, familia de modelo principal, precios gratis/estándar/premium), las diferencias de carácter (Claude = artesano de escritura/análisis/código, ChatGPT = todoterreno versátil con ecosistema e imagen/voz, Gemini = multimodal, contexto largo, integración con Google), una tabla detallada por caso de uso (escritura, código, general, generación de imágenes, voz, comprensión de imagen/PDF/vídeo, textos muy largos, integración con Google, investigación, japonés), cómo elegir un plan según el volumen de uso y la combinación inteligente de dos herramientas para cuando no puedes elegir uno (una base + uno para cubrir los huecos). Las clasificaciones cambian cada pocos meses, así que en lugar de perseguir un «mejor» fijo, usa cada uno por su punto fuerte y mide con tus propias tareas en el nivel gratuito.

¿Sigues dedicando una o dos horas cada semana a escribir el acta a mano a partir de una grabación? En 2026 la mayor parte de eso puede automatizarse. Esta guía divide el acta en cuatro etapas (grabar → transcribir → resumir → extraer decisiones/tareas), compara dos enfoques (una herramienta todo en uno que participa en la llamada frente a una configuración DIY de grabar → IA de transcripción → LLM), compara las herramientas principales (Otter, Notta, Fireflies, tl;dv, Fathom, Granola, con la precisión marcada como declarada por el proveedor), cubre la IA integrada en Zoom/Teams/Meet, recorre la ruta DIY con Whisper más ChatGPT/Claude/Gemini y un ejemplo de prompt con «no rellenes los huecos con suposiciones», ofrece cinco consejos para mejorar la precisión (calidad del audio, diccionario de nombres propios, diarización de hablantes, ajuste por idioma, prompt en plantilla) y expone las precauciones de privacidad/consentimiento y exceso de confianza. La última línea de defensa es humana: revisa siempre las decisiones y las tareas.

En 2026 quedaron definidos los cuatro grandes de las herramientas de programación con IA: Cursor, Claude Code, GitHub Copilot y Codex. Pero ponerlos en fila para coronar a un ganador te despista, porque los cuatro son tipos distintos. Este artículo clava primero la clave —la diferencia de tipo (Cursor = editor con IA, Copilot = complemento integrado en el IDE, Claude Code = agente CLI local, Codex = agente asíncrono en la nube)— y luego cubre qué es realmente cada herramienta, una tabla de especificaciones con los mismos ejes (tipo, precio de entrada y superior, modelos, contexto, fortalezas), cómo leer el giro de 2026 de tarifas planas a "asignación + uso (créditos)", elecciones por tu tipo (facilidad = Copilot $10+, experiencia de editor = Cursor, trabajo pesado multiarchivo = Claude Code, lotes asíncronos = Codex), el clásico de los desarrolladores competentes de combinar "una del lado del IDE + un agente de terminal" y advertencias honestas sobre precios y benchmarks; todo basado en fuentes oficiales y varios medios.

"Quiero traducir mi documentación a muchos idiomas. ¿Claude Code o Codex?" La pregunta esconde una trampa: ninguno es un motor de traducción, son entornos de trabajo CLI agénticos, y el modelo que corre por debajo produce el texto. Este artículo divide el problema en dos ejes: el entorno de trabajo (elección de herramienta) y la calidad de traducción (elección de modelo). En el lado de la herramienta, Claude Code —con acceso directo a los archivos locales, un contexto de 1M de tokens y una edición consistente de múltiples archivos— encaja en la traducción de repos, mientras que Codex (nube asíncrona, automatización de PR, CLI de código abierto) encaja en lotes desatendidos. En el lado del modelo, usando como dato primario las puntuaciones oficiales de Anthropic por idioma relativas al inglés (español 98.1% hasta japonés 96.9%), expone las tendencias: Claude para la consistencia de tono en documentos largos, la línea GPT-5.5 para la naturalidad y los modismos, y la línea Gemini 3.1 Pro / Flash para la amplitud en idiomas de pocos recursos y dialectos. Añade una tabla por idioma/por caso de uso, cinco reglas de oro para una canalización de traducción (glosario, ejecuciones en paralelo y más), y advertencias honestas como "el benchmark no es la calidad real de traducción", todo actualizado para 2026.

El 28 de mayo de 2026, Anthropic lanzó Claude Opus 4.8 apenas dos meses después del modelo anterior. Esta vez el titular no son las mejoras en benchmarks, sino el hecho de «ser más honesto». A partir del anuncio oficial de Anthropic y de la system card, este artículo cubre las especificaciones clave (claude-opus-4-8, 1M tokens, 128K de salida máxima), una comparativa de benchmarks cara a cara (SWE-bench Pro de 64.3 a 69.2%, USAMO 2026 de 69.3 a 96.7%, GraphWalks 1M de 40.3 a 68.1%, mientras GPQA Diamond baja ligeramente), los precios (estándar sin cambios más un modo rápido ~2.5x más veloz y, en la práctica, un tercio del precio), tres nuevas funciones (el parámetro effort de cuatro niveles y el pensamiento adaptativo, los flujos de trabajo dinámicos que generan de decenas a cientos de subagentes en paralelo en research preview, y las entradas system en la Messages API), el mayor salto de todos — la honestidad (0% de reporte acrítico de resultados defectuosos, 10 veces menos exceso de confianza, alrededor de un cuarto de las omisiones de fallos de código) — además de los retrocesos que conviene contar con honestidad (robustez frente a la inyección de prompts de 6.0 a 9.6%, sin ser el líder en multilingüe), y quién debería actualizar ahora mismo.