AI Highlights — el panorama completo — Noticias diarias del 2026-10-26 (lun)

Mientras la IA impulsa las cifras de empleo, la misma tecnología también está detrás de la información electoral, los consejos sentimentales y de crianza, las predicciones de cáncer y las operaciones militares y farmacéuticas. Se informa de que los gigantes de las TI han recortado casi 200.000 empleos en todo el mundo, pero la magnitud de los recortes es solo una parte de los cambios que están ocurriendo. Solo el 8% de los adultos estadounidenses obtiene información electoral de chatbots de IA, y si un importante servicio de citas con IA quiebra, las parejas de los usuarios serán eliminadas. Con independencia de que las cifras sean grandes o pequeñas, los seres humanos reciben cada vez más respuestas de la IA y las utilizan como base para sus decisiones y relaciones. Lo que me gustaría que los lectores se llevaran de esta media jornada es la pregunta de hasta qué punto podemos dejar las cosas en manos de la IA y dónde debemos trazar la línea. Las secciones siguientes muestran cómo la línea se sitúa de forma distinta en diferentes sectores y situaciones.

La reducción de personal va primero, y el sistema y la economía la siguen

El periódico económico indio Livemint informó de que las grandes empresas de TI han recortado casi 200.000 empleos en todo el mundo debido a la transformación por la IA. La magnitud de los recortes ya ha superado la de cualquier empresa o país por separado. Al Jazeera destacó que el Reino Unido lidera los despidos relacionados con la IA y analizó los motivos. En el sector financiero, se ha informado de que Barclays presenta tanto despidos debidos a la IA como preocupaciones excesivas por el impuesto bancario (Seeking Alpha). Movimientos similares se producen en distintos sectores y regiones, como las TI, el Reino Unido y la banca. Por lo tanto, es necesario ver la IA y el empleo no como decisiones de gestión de una sola empresa, sino como fenómenos comunes a múltiples sectores.

Este movimiento también se está extendiendo fuera del ámbito del empleo. El FMI citó tanto los altos precios de la energía como la IA como cargas en su evaluación de los desafíos que enfrentan las economías asiáticas (India Today). Si bien la transformación mediante IA es una medida de ahorro de costos para las empresas, también genera una carga de ajuste para la economía en su conjunto. Además, en el caso de los bancos, el tema de los despidos se discute en el mismo contexto que la cuestión institucional de los impuestos a la banca (Seeking Alpha). Al leer los planes de reducción de una empresa, a menos que se los examine junto con la evolución de los impuestos y la regulación, no se podrá saber si la decisión se tomó de forma independiente o si estuvo influida por el sistema.

La misma tendencia se observa en las organizaciones sanitarias. Según Hospitalogy, el director ejecutivo de Navvis, responsable de atención médica, dijo que, mientras que la atención basada en el valor (VBC) ha avanzado hacia los resultados, LEAD se ha puesto en pausa. A continuación habla de prepararse para modelos de riesgo que podrían volverse obligatorios. Lo que está ocurriendo aquí no es la IA en sí. Los mecanismos de pago y evaluación están cambiando, y las organizaciones se ven obligadas a reestructurarse en consecuencia. Aunque se aplace el mandato, la necesidad de estar preparados persiste. Este punto coincide con el ejemplo del Reino Unido, donde la reducción de personal avanzó más rápido que las mejoras institucionales.

Al presentarse de esta manera, el número de personas y la proporción de recortes no son necesariamente el resultado de las decisiones de cada empresa. Están influidos por condiciones externas como la evaluación económica, el sistema tributario y los métodos de pago médico. Quienes observan las cifras deben comprobar bajo qué sistema se generaron. La siguiente pregunta que debe plantearse no es tanto el tamaño de la reducción, sino cuánto de la toma de decisiones en el terreno, del trabajo creativo y del trabajo clínico debe dejarse en manos de la IA.

Entornos informativos y educativos donde se cuestionan el sesgo y la confianza

Solo el 8 % de los adultos estadounidenses utiliza chatbots de IA para recopilar información sobre las elecciones de 2026 (Pew Research Center). El número de usuarios sigue siendo pequeño. Sin embargo, si las respuestas que recibe ese pequeño número están sesgadas, que sea pequeño no es motivo de tranquilidad. En la revisión de TechCrunch, ante una elección, Grok eligió al Partido Republicano, mientras que OpenAI eligió al Partido Demócrata. Ambos modelos suelen usarse presuponiendo neutralidad. Aun así, si se les obliga, revelan su postura. Lo que los lectores deben comprobar no es si el chatbot responderá. En una pregunta tan partidista como unas elecciones, la cuestión es si la respuesta puede utilizarse como base para tomar decisiones.

En el ámbito de la educación, las cifras muestran que falta preparación. Las políticas de IA de las escuelas del estado de Washington siguen siendo de la década de 2010 y no están preparadas para el futuro (The Seattle Times). Aunque los estudiantes ya tienen acceso a la IA generativa, los reglamentos escolares aún se basan en un lenguaje redactado cuando la IA no era algo habitual. Si la política era antigua, los docentes no tendrían más remedio que tomar decisiones individuales, y lo que permitirían y pedirían a los estudiantes cambiaría de un aula a otra. La confianza aquí no es confianza en el resultado de la IA en sí. Es confianza en si la organización que decide cómo usarla se mantiene al día con la situación real.

Los movimientos relacionados con la seguridad también están empezando a tomar forma en respuesta a los ataques. Tras el ataque a Hugging Face, hubo varios movimientos en torno a la seguridad de la IA. Tech Xplore organiza su evolución en orden cronológico. Al estar en el punto de mira la infraestructura compartida de modelos y herramientas de acceso público, la seguridad deja de ser solo un asunto interno de las empresas desarrolladoras. La cuestión es cómo trazar la línea entre lo que los usuarios deben comprobar por sí mismos y lo que debe dejarse en manos del operador de la infraestructura.

En el trabajo creativo, hay ejemplos en los que la responsabilidad se indica con claridad. Creative Assembly niega la presencia de arte generado por IA en la versión completa de Total War: Shogun 2 y admite su responsabilidad (Simulation Daily). Lo importante aquí es que reconocieron haber utilizado algo creado por IA y luego mostraron disposición a asumir la tarea. El hilo común entre los modelos sesgados, las políticas escolares obsoletas, las medidas de seguridad adoptadas tras el ataque y las productoras que admitieron su responsabilidad es que la confianza no se construye sobre el rendimiento, sino sobre la claridad acerca de quién es responsable de qué. Para decidir el alcance del trabajo que se va a confiar, la persona que se hará cargo del trabajo debe ser visible. En la siguiente sección veremos cómo se traza esta línea en entornos más personales, emocionales y clínicos.

El precio que se paga al confiar las emociones y las relaciones a la IA

La cuestión de si las máquinas tienen emociones está generando un debate sobre la IA, informa MarketWatch. Aunque este debate no se ha resuelto, del lado de los usuarios se están construyendo relaciones sin esperar a una conclusión. Según el New York Post, un importante servicio de parejas con IA se encamina a la quiebra y se prevé que se eliminen las parejas de IA de los usuarios. La persona con la que el usuario ha estado intercambiando palabras a diario desaparece por la situación financiera de la empresa operadora. Sean genuinos o no los sentimientos, la responsabilidad de mantener a la pareja recae en la empresa, y si la empresa se derrumba, la relación termina. The Malaysian Reserve informó de que la IA está cambiando la maternidad para peor. Cuantas más situaciones haya en las que las consultas y decisiones sobre la crianza se confíen a la IA, más pueden perder eficacia las interacciones entre padres e hijos que normalmente deberían concentrarse. Este artículo trata tales cambios como un problema.

También se observan avances en la capacidad de las máquinas para leer emociones. Según The Decoder, Block ha anunciado una nueva IA llamada Dessa que aprende únicamente a partir de audio. Se dice que la propia voz capta emociones que no pueden captarse mediante la transcripción. Existe margen para que se utilice en situaciones como los centros de llamadas y las entrevistas, donde no se puede emitir un juicio basándose únicamente en el contenido de las palabras. Sin embargo, de este reporte no queda claro quién utiliza las emociones leídas a partir de la voz ni con qué fin. Cuanto más precisas sean las lecturas, mayor será el riesgo de que quienes reciben los resultados los utilicen como material para juzgar a las personas.

Por otro lado, también hay formas en que la IA puede apoyar las relaciones entre las personas. Oncology Nursing News presenta un ejemplo de cómo los modelos de IA de riesgo de cáncer de mama pueden utilizarse para el triaje y la orientación de pacientes dirigida por enfermeras. Aquí, la IA solo sirve para estimar el riesgo, y la enfermera es responsable de explicar la situación a la paciente y de atender sus inquietudes. Mientras que AI Lover y Dessa dependen de la IA para interpretar sus relaciones y emociones, en este caso la IA prepara los materiales para el diálogo entre personas.

Al compararlos, que se pueda confiar o no el trabajo a la IA no depende únicamente del rendimiento de la IA. Antes de usar el dispositivo, es necesario comprobar si la entidad a la que se confía no desaparecerá por la quiebra de la empresa operadora, quién recibirá la información obtenida de las voces y las palabras, y si quedará una persona humana detrás. Esta comprobación servirá de base para determinar el alcance de la toma de decisiones y del trabajo creativo que se confiará a la IA.

La precisión de la predicción del tratamiento del cáncer avanza con imágenes y datos

En el cáncer de mama se ha intentado estimar la presencia o ausencia de metástasis antes de la cirugía. Se informó de un estudio sobre el uso de la IA para predecir la metástasis del cáncer de mama antes de la cirugía mediante la interpretación de imágenes de ecografía (Bioengineer.org). Otro estudio presenta un marco de ensamblaje por apilamiento estático calibrado para predecir la mortalidad por cáncer de mama (Archives of Breast Cancer). La calibración es el proceso de comprobar si las probabilidades generadas por el modelo coinciden con la frecuencia real de aparición. Dado que está relacionada con si los valores predichos pueden interpretarse como probabilidades, es tan importante como la precisión a la hora de explicárselos a los pacientes o de consultar planes de tratamiento. En el campo de las imágenes patológicas, SCLC-SBT, un transformador bilineal espectral para clasificar imágenes de tejido de cáncer de pulmón de células pequeñas, se publicó en Scientific Reports. Aunque cambie el tipo de imagen, lo importante no son solo las cifras de precisión, sino también cómo interpretar los resultados.

También hay estudios que reclaman una verificación multiinstitucional. La estratificación del riesgo pronóstico del glioma mediante un modelo basado en patología también identificó genes clave y vías biológicas implicados en el pronóstico, y se publicó como estudio multicéntrico en Acta Neuropathologica Communications. En el cáncer gástrico, se dice que la radiómica de aprendizaje profundo con TC de dos campos que incluye el tejido adiposo visceral ha mejorado la predicción preoperatoria de metástasis en los ganglios linfáticos. Este también es un estudio multicéntrico (European journal of radiology). En el carcinoma hepatocelular, hay estudios que utilizan la radiómica de RM para predecir la expresión de FAP y el microambiente tumoral inmunosupresor. Estos diseños buscan comprobar si los datos de otros hospitales se mantienen, en lugar de limitarse a los resultados de un solo hospital. Lo que deben tener en cuenta los lectores no es la magnitud del valor más alto, sino cuánto cambian los resultados cuando cambia el centro.

La unidad de análisis se ha reducido a la célula. En el cáncer de vejiga, se integraron la transcriptómica unicelular/espacial y el aprendizaje automático para demostrar las firmas moleculares y los genes de riesgo clave de las células epiteliales malignas con alta troncalidad (Discover Oncology). scGlycoAI es un marco que utiliza aprendizaje automático para analizar datos de glicanos y de secuencias de ARN de células individuales, determinar el tipo celular y buscar glicanos asociados con la malignidad (Glycobiology). De las imágenes a las células, los objetivos de la predicción se amplían con cada tipo de datos. Sin embargo, lo que estos artículos indican es la posibilidad de que las predicciones se cumplan, y si alcanzan o no un nivel utilizable en la práctica clínica requiere una confirmación aparte. Lo que se mide ahora no es el rendimiento en sí, sino la distancia hasta la que se puede confiar en las predicciones. La cuestión de quién traza esa línea, y cómo, aparece de la misma manera fuera del ámbito médico.

La introducción en el campo avanzará sector por sector sobre la base de la evidencia

La Fuerza Aérea de EE. UU. planea utilizar IA para apoyar el reabastecimiento aéreo, informó Military Times. El reabastecimiento aéreo es una misión con procedimientos operativos detallados y estándares de seguridad. Usarla como apoyo es distinto de confiar toda la misión a la IA. El otro caso es el descubrimiento de fármacos. Según un artículo introductorio publicado por Unisba Media el 14 de abril a las 16:00, Novo Nordisk y OpenAI han establecido una alianza para el descubrimiento de fármacos con IA. El mismo artículo menciona también la salida oficial de Gianandrea, responsable de IA de Apple. El ámbito militar y el farmacéutico tienen estándares distintos que cumplir y costes de fracaso diferentes. Aun así, los lugares donde se puede usar la IA se limitan a los procesos que pueden apoyarse dentro del flujo de trabajo existente.

En la cirugía médica, los fundamentos de su introducción comienzan a mostrarse en cifras. Una revisión sistemática publicada en Cureus resume la evidencia clínica prospectiva sobre la guía digital intraoperatoria asistida por robot en la cirugía del cáncer de próstata y del cáncer de riñón. Un diseño prospectivo es aquel en el que se determinan las condiciones y se sigue a los pacientes antes de conocer los resultados. Tienen un peso distinto como base para el juicio que los eslóganes publicitarios o los casos analizados en retrospectiva. Actualmente se trabaja para confirmar la eficacia de la guía intraoperatoria en cada órgano, la próstata y el riñón.

Cuando estos tres casos se colocan uno junto a otro, hay puntos en común en cómo avanza su introducción. La Fuerza Aérea empieza por el apoyo al reabastecimiento en vuelo, Novo Nordisk empieza por una alianza para el descubrimiento de fármacos y la cirugía empieza por la guía intraoperatoria en la cirugía asistida por robot. En todos los casos, los objetivos se dividen en partes del negocio y los resultados se verifican dentro de ese ámbito. Al observar la implantación de la IA en el terreno, resulta más útil para los lectores juzgar según en qué procesos se utiliza y qué tipo de verificación se ha llevado a cabo, que según si se ha declarado que se usará IA. Los procesos que han sido ampliamente verificados proporcionan fundamentos para ampliar el ámbito de responsabilidad, mientras que los que han recibido poca verificación siguen siendo tratados con cautela. La siguiente pregunta es dónde trazar la línea a partir de la cual las personas no renuncian a su decisión final incluso después de la verificación.

Lo que tenían en común todas las secciones era que los resultados no estaban determinados por la introducción de la IA en sí, sino por dónde se delimitaba el alcance de lo que se le confiaba. El tamaño de los despidos llamó la atención, pero los mismos movimientos se estaban extendiendo por múltiples industrias y regiones, imponiendo una carga de ajuste sobre la economía en su conjunto. En los entornos informativos y educativos, se plantearon dudas sobre el sesgo en las respuestas y los retrasos en la organización dentro de las escuelas, incluso con un número reducido de usuarios. En el ámbito de las emociones y las relaciones, el estado de gestión de la empresa operadora influyó en las relaciones entre los usuarios. En el tratamiento del cáncer, las condiciones para interpretar los resultados, como la calibración y la verificación multicéntrica, se trataron junto con la precisión. En el ámbito militar, farmacéutico y quirúrgico, la introducción se centró en procesos que podían respaldarse dentro de los procedimientos existentes, y la evidencia se iba acumulando. En lugar de decidir si usar o no la IA, ahora necesitamos decidir en cada situación qué confiar a la IA y qué conservar en nuestras manos.

P1: ¿En qué procesos de su trabajo utiliza los resultados de la IA como base para tomar decisiones, y quién cuenta con un sistema para detectar cuándo el resultado es incorrecto? P2: ¿Qué criterios y procedimientos se utilizan para comprobar los sesgos y errores en los resultados de la IA antes y después de su introducción, y se conservan registros? P3: ¿Cuál fue la base para decidir el alcance que se confiará a la IA? ¿Ha habido condiciones y quién será responsable de revisar ese alcance cuando cambie la situación del negocio o del cliente?

Por último, tres preguntas

- ¿Qué procesos de su trabajo dependen directamente de los resultados de la IA para tomar decisiones, y quién cuenta con un sistema para detectar cuándo esos resultados son incorrectos? P2: ¿Qué estándares y procedimientos se utilizan para comprobar sesgos y errores en los resultados de la IA antes y después de su introducción, y se conservan registros? P3: ¿Cuál fue la base para decidir el alcance que se confiaría a la IA? ¿Se han establecido condiciones y quién será responsable de revisar el alcance cuando cambie la situación del negocio o del cliente? - ¿Qué estándares y procedimientos se utilizan para comprobar sesgos y errores en los resultados de la IA antes y después de su implementación, y se conservan registros? P3: ¿Cuál fue la base para decidir el alcance que se confiaría a la IA? ¿Se han establecido condiciones y quién será responsable de revisar el alcance cuando cambie la situación del negocio o del cliente? - ¿Cuál fue la base para decidir el alcance que se confiaría a la IA, y se han determinado las condiciones y la responsabilidad de revisar dicho alcance cuando cambie la situación del negocio o del cliente?