Publicidad en podcasts en: La XtrategIA

Cada vez más empresas usan sistemas automatizados para ordenar postulaciones, filtrar currículums, evaluar entrevistas grabadas, priorizar candidatos y medir desempeño. Estas herramientas pueden reducir trabajo repetitivo y ayudar a procesar grandes volúmenes de información. Pero cuando una persona queda descartada por un sistema que nadie le puede explicar, la eficiencia puede convertirse en una puerta cerrada. En este episodio distinguimos automatización de responsabilidad. Revisamos qué significa una explicación útil, por qué una revisión humana no puede ser decorativa y qué controles deberían exigir las personas, las empresas y quienes regulan. También aterrizamos el debate en Perú, que ya cuenta con una ley de IA y un reglamento vigente, y en una región donde Brasil y Chile avanzan hacia marcos nacionales, aunque todavía no los tienen en vigor. #xtrategia #ia #genai #ml #dl

La inteligencia artificial no reemplaza profesiones enteras de un día para otro: entra primero por tareas concretas. Pero esa diferencia no garantiza que los empleos estén a salvo. Puede acelerar a una persona, rediseñar un proceso, cambiar los puestos de entrada o hacer que una empresa produzca lo mismo con menos gente. En este episodio usamos la teoría de la destrucción creativa y la evidencia reciente sobre automatización, productividad y exposición laboral para separar cuatro cosas que solemos mezclar: que una tarea pueda automatizarse, que una empresa decida hacerlo, que cambie un puesto y que desaparezca empleo. Cerramos con recomendaciones concretas para personas, líderes de empresa y quienes diseñan políticas públicas.

La demo salió impecable, todos aplaudieron, y semanas después el sistema en producción empezó a fallar sin que nadie tocara el código. En este episodio exploramos cinco trampas clásicas del aprendizaje automático (sobreajuste, fuga de información, evaluaciones mal diseñadas, deriva de datos y la confusión entre significancia estadística y relevancia práctica) con ejemplos numéricos concretos. #xtrategia #ia #genai #ml #dl

Qué puede hacer hoy un sistema de IA, qué falla de forma documentada y qué significa realmente que algo sea un "agente". Recorremos la diferencia entre agente, IA agéntica y multiagente, los cinco niveles de autonomía según el rol del usuario, las fallas estudiadas de los modelos de lenguaje (composición, asimetría, sesgo de la tarea de entrenamiento, ausencia de verificación) y el remedio de delegar a herramientas. Cerramos con la discusión abierta sobre la inteligencia artificial general: las mejores posiciones de cada lado, sin fechas y sin veredicto.

Un recorrido ordenado por el vocabulario de la inteligencia artificial: en qué se diferencian la IA débil, la IA fuerte y la superinteligencia, por qué "IA fuerte" y "AGI" no son sinónimos, y cómo se relacionan realmente el aprendizaje automático, el aprendizaje profundo y la IA generativa. También explicamos las tres capas de un sistema real (datos, modelo e interfaz), qué es exactamente un token y por qué los modelos fallan al contar letras, y qué rompió la arquitectura Transformer para hacer posibles los modelos grandes de lenguaje. Con los trabajos que respaldan cada idea, dichos en lenguaje natural. #IA #ML #DL #AGI

Contamos, en lenguaje llano y sin tecnicismos, cómo nació la idea de que una máquina puede aprender a partir de ejemplos en vez de instrucciones escritas a mano, por qué el entusiasmo se derrumbó más de una vez, y qué hizo que finalmente empezara a funcionar: muchísimos más datos, computadoras mucho más rápidas y mejoras acumuladas sobre ideas viejas. Y respondemos la pregunta que de verdad importa: ¿es otra ola que se va a frenar, o esta vez es distinto? Con los mejores argumentos de los dos lados y un cierre sobre qué es nuevo en el presente.

Un modelo de lenguaje no consulta hechos ni verifica nada: predice cuál es el siguiente fragmento de texto más probable. De esa única idea se deducen todas sus rarezas — por qué inventa datos con seguridad absoluta, por qué redacta increíble y calcula pésimo, y por qué se equivoca justo donde nadie revisa. Con ejemplos concretos de quien estudia, de una empresa y de la vida diaria, más cuatro defensas prácticas y el filtro para juzgar cualquier promesa de IA que escuches después.