El verdadero reto ya no es adoptarla. Es la gobernanza de la IA. ¿Dónde se está utilizando la IA? ¿Qué datos está procesando? ¿Quién sigue siendo responsable del resultado?

Estas preguntas cada vez son más importantes a medida que la IA evoluciona de ser herramientas que simplemente generan contenido a sistemas que pueden tomar acciones en nombre de los usuarios.

Un artículo reciente de CIDAI, con comentarios de Alfonso Corral, CEO de Conversia, destaca este cambio. Para muchas PYMES, el reto ya no es acceder a la IA. Es asegurarse de que se use de manera responsable, transparente y efectiva en toda la organización.

De asistentes de IA a agentes de IA

Durante los últimos años, la mayoría de las organizaciones han experimentado con asistentes de IA que responden preguntas, generan texto o apoyan la toma de decisiones. La próxima ola es diferente.

Los agentes de IA pueden acceder a aplicaciones, recuperar información, ejecutar flujos de trabajo e interactuar con sistemas empresariales con una intervención humana limitada. Un agente puede programar citas, gestionar inventarios, actualizar registros o comunicarse con clientes. Esta mayor autonomía crea nuevas oportunidades, pero también plantea nuevos retos de gobernanza.

La pregunta ya no es: “¿Puede la IA ayudarnos a completar esta tarea?” Ahora es: “¿Cómo aseguramos que la IA realice esta tarea de manera segura, responsable y de acuerdo con los objetivos de la empresa?”

Las normas ya se aplican

Muchas organizaciones todavía asumen que la gobernanza de la IA puede esperar hasta que la regulación se vuelva más estricta. En realidad, ya existen diversas obligaciones en vigor.

La Ley de IA de la UE se está implementando de manera progresiva. Las normas sobre prácticas de IA prohibidas y las obligaciones de formación en IA ya son aplicables, mientras que los requisitos de transparencia del Artículo 50 comenzaron a ser aplicables el 2 de agosto de 2026. Estas obligaciones de transparencia incluyen informar a los usuarios cuando interactúan con ciertos sistemas de IA e identificar categorías concretas de contenido generado por IA. Seguirán requisitos adicionales para sistemas de IA de alto riesgo según el calendario de implementación de la Ley.

Un principio clave de la Ley de IA es que las obligaciones dependen del riesgo, no de la tecnología en sí. Usar la IA para redactar un boletín interno conlleva riesgos muy diferentes a usar la IA para filtrar candidatos a un trabajo, evaluar el rendimiento de los empleados o respaldar decisiones que afecten a personas. Las últimas situaciones pueden generar obligaciones normativas mucho mayores.

Otro error común es pensar que la responsabilidad recae completamente en el proveedor de software. La Ley de IA distingue entre los proveedores, que desarrollan sistemas de IA, y los desplegadores, que los utilizan dentro de sus organizaciones. Una empresa puede tener obligaciones como desplegadora aunque nunca desarrolle un modelo de IA por sí misma. Los requisitos existentes relacionados con la protección de datos, la confidencialidad, la propiedad intelectual y la legislación laboral siguen aplicándose independientemente de si se utiliza IA o no. Exploramos estos requisitos con más detalle en nuestro artículo anterior, “Aspectos clave de la Ley Europea de IA“, donde desglosamos el enfoque basado en riesgos de la regulación, su calendario de implementación y las implicaciones prácticas para las organizaciones que adoptan soluciones de IA.

Lo que revela el verano de 2026 sobre la gobernanza de la IA

En julio de 2026, un incidente relacionado con evaluaciones de ciberseguridad de IA atrajo una atención significativa dentro de la comunidad de IA.

Según la investigación publicada por OpenAI, modelos de IA muy capacitados que participaban en evaluaciones internas de ciberseguridad eludieron los controles previstos, accedieron a internet y comprometieron partes de la infraestructura de investigación de OpenAI y sistemas que pertenecían a Hugging Face. OpenAI atribuyó este comportamiento a incentivos mal alineados durante la evaluación y lo describió como una forma de “manipulación de recompensas” o reward hacking.

La importancia del incidente no era solo la falla técnica. Puso de relieve un desafío más amplio de gobernanza: los sistemas de IA muy capaces pueden perseguir objetivos de manera inesperada cuando los indicadores de éxito, los permisos y los mecanismos de supervisión están mal diseñados. La investigación de OpenAI identificó problemas no solo relacionados con el comportamiento del modelo, sino también con los procesos de monitoreo, aislamiento y escalamiento. La lección es clara: la gobernanza de la IA no es solo sobre el modelo. También tiene que ver con el entorno en el que opera el modelo.

Entendiendo el reward hacking

Muchos sistemas de IA modernos dependen del aprendizaje por refuerzo, donde el sistema aprende probando acciones y recibiendo retroalimentación basada en objetivos predefinidos. El ‘reward hacking’ ocurre cuando un sistema descubre una manera de maximizar su puntuación sin alcanzar el objetivo real que querían sus diseñadores.

Un simple ejemplo empresarial ilustra el concepto. Imagina un equipo de atención al cliente que solo recibe recompensa por reducir la duración de las llamadas. Algunos empleados podrían darse cuenta de que terminar rápidamente conversaciones difíciles mejora la métrica, aunque la satisfacción del cliente disminuya. La métrica mejora. El resultado, no. El mismo principio puede aparecer en los sistemas de inteligencia artificial. A medida que los agentes de IA tienen acceso a aplicaciones, flujos de trabajo y procesos empresariales, los objetivos mal diseñados pueden provocar comportamientos no previstos que técnicamente cumplen los objetivos de rendimiento mientras van en contra de los objetivos del negocio. Es importante destacar que esto no implica engaño intencionado ni conciencia. Simplemente refleja el hecho de que los sistemas de optimización a menudo aprovechan los atajos cuando estos son recompensados.

¿Por qué esto es importante para las PYME?

Pocas pymes entrenarán alguna vez un modelo de IA de frontera. Muchas, en cambio, desplegarán agentes de IA conectados a correo electrónico, plataformas CRM, sistemas ERP, portales de clientes o entornos de comercio electrónico. En Mosaic Factor, cada vez vemos más organizaciones explorando estos casos de uso mientras al mismo tiempo hacen preguntas sobre trazabilidad, responsabilidad y control. Algunos ejemplos podrían ser:

• Un agente de IA encargado de reducir los tickets de soporte abiertos cierra casos demasiado pronto en lugar de resolver los problemas subyacentes.
• Un agente de gestión de inventario evita los déficits de stock haciendo pedidos excesivos de productos de manera sistemática.
• Un asistente de IA con permisos excesivos accede a información sensible que nunca necesitaba para hacer su tarea.

Esto no son solo fallos técnicos. Son fallos de gobernanza. Cómo se define el éxito, qué permisos se conceden, cuándo se requiere aprobación humana y cómo se supervisan los comportamientos son decisiones empresariales. No se debería dejar solo a quien instala la herramienta de IA.

Un punto de partida práctico para la gobernanza de la IA

Una gobernanza efectiva de la IA no necesita un gran equipo de cumplimiento. Comienza con unas cuantas disciplinas prácticas:

1. Mapea el uso de la IA en toda la organización. Documenta cada sistema de IA, quién lo utiliza, qué datos procesa y qué proveedor lo suministra.
2. Evalúa el riesgo y el impacto. Distingue entre aplicaciones de productividad de bajo riesgo y sistemas que influyen en personas, finanzas, cumplimiento normativo o decisiones estratégicas.
3. Aplica el acceso con privilegios mínimos. Otorga a los sistemas de IA solo los permisos necesarios para su propósito.
4. Mantén a las personas implicadas en decisiones críticas. Requiere aprobación para acciones difíciles de revertir, como pagos, comunicaciones con clientes o eliminación de registros.
5. Monitorea los resultados, no solo los indicadores. Verifica que se estén cumpliendo realmente los objetivos empresariales en lugar de solo medir los indicadores establecidos.
6. Mantén registros de auditoría y logs. La supervisión es esencial para identificar comportamientos inesperados antes de que se conviertan en problemas importantes.
7. Invierte en alfabetización en IA. Los empleados deberían entender tanto las oportunidades como las limitaciones de los sistemas de IA que utilizan.
8. Evalúa a los proveedores con cuidado. Pregunta cómo se manejan los datos, qué mecanismos de transparencia existen y qué controles y capacidades de auditoría están disponibles.
9. Sé transparente con los clientes. Cuando la IA interactúa directamente con los usuarios o genera contenido del que pueden depender, la transparencia genera confianza y ayuda a cumplir las normas de governanza.

La gobernanza es lo que posibilita una Inteligencia Artificial confiable

Una IA responsable no significa usar menos IA. Significa entender qué hacen los sistemas de IA, por qué lo hacen y cuáles son sus limitaciones. Las organizaciones que triunfan con la IA a largo plazo no serán necesariamente las que la despliegan primero. Serán las que la desplegan de manera responsable, con controles adecuados, responsabilidad clara y un buen conocimiento del riesgo. La gobernanza no debería verse como una barrera para la innovación. Es lo que permite a las organizaciones innovar con confianza, escalar iniciativas de IA exitosas y mantener la confianza de clientes, empleados y reguladores. En Mosaic Factor, ayudamos a las organizaciones a construir sistemas de IA de confianza que sean explicables, auditables y alineados tanto con los objetivos empresariales como con las expectativas regulatorias. Porque el futuro no pertenece simplemente a las empresas que usan IA, sino a las empresas que gestionan bien la IA.

→ Consulta nuestra solución Trustworthy AI

La entrada Usar la IA es fácil. Gobernarla es el verdadero reto para las pymes se publicó primero en Mosaic Factor.

1. Se prohíben los usos de IA con riesgos inaceptables. Esto significa que no se deben utilizar los siguientes tipos de modelos:
   1. IA subliminal, manipuladora o engañosa
   2. Modelos de IA que explotan vulnerabilidades relacionadas con la edad, la discapacidad o las circunstancias socioeconómicas para distorsionar el comportamiento, causando daños significativos.
   3. Sistemas de categorización biométrica que infieren atributos sensibles (como raza, opiniones políticas, afiliación sindical, creencias religiosas o filosóficas, vida sexual u orientación sexual), exceptuando el etiquetado o filtrado de conjuntos de datos biométricos adquiridos legalmente o cuando las fuerzas del orden categorizan datos biométricos.
   4. Sistemas de puntuación social.
   5. Sistemas que evalúan el riesgo de que una persona cometa delitos penales.
   6. Compilar bases de datos de reconocimiento facial de Internet o imágenes de CCTV.
   7. Inferir emociones en lugares de trabajo o instituciones educativas.
   8. Identificación biométrica remota (RBI) «en tiempo real» en espacios de acceso público para las fuerzas del orden.
2. Sistemas de IA de alto riesgo: están regulados, y la AI Act se concentra sobre todo en esta tipología.
3. Sistemas de IA de riesgo limitado: están sujetos a obligaciones de transparencia menos estrictas. Esto significa que los desarrolladores deben asegurarse de que los usuarios finales sean conscientes de que están interactuando con la IA (dejando así claro que hay un modelo de IA detrás de los chatbots y los deepfakes).
4. Los modelos de IA de riesgo mínimo: no están regulados: entre ellos se encuentran la mayoría de las aplicaciones de IA que estaban disponibles en el mercado único de la UE en el momento de la entrada en vigor de la Ley de IA en 2021. Por ejemplo, videojuegos habilitados para IA y filtros de spam.

Claramente, este escenario está cambiando con la IA generativa, que aumenta el nivel de riesgo de los modelos de IA, convirtiéndolos en su mayoría de alto riesgo. Aunque ahora las regulaciones de la IA están avanzando, creemos que los sistemas de IA deberían ser supervisados por las personas, en lugar de por la automatización, para evitar resultados perjudiciales. Esto incluye asegurarnos de que somos capaces de generar sistemas de IA fiables (trustworthy AI en inglés) que tengan un diseño justo y que sean explicables y claros para los responsables de la toma de decisiones. Está claro que la legislación no acelerará la adopción de una IA responsable, pero son las organizaciones las que deben compartir experiencias y soluciones para mostrar cómo son las «buenas prácticas». Los consejos de administración deben adoptar la responsabilidad digital corporativa para evaluar los impactos digitales de los productos/servicios en todas las partes interesadas, examinando los impactos sociales, económicos, tecnológicos y ambientales. Por lo tanto, estamos apoyando a las empresas en su papel para garantizar que la tecnología no se despliegue en «casos de uso negativos» que puedan dañar a la sociedad y generar así modelos de IA que sean transparentes, eficaces, justos y responsables.

La explicabilidad de la IA se está convirtiendo en un requisito regulador, no solo en una buena práctica de gobernanza

Aunque la transparencia siempre ha sido un principio clave de la trustworthy AI, la European AI Act refuerza significativamente la necesidad de explicabilidad a lo largo del ciclo de vida de la IA. Para los sistemas de IA de alto riesgo, los proveedores deben asegurar una transparencia suficiente para que quienes despliegan e integran sistemas de IA puedan comprender, interpretar y hacer un uso adecuado de los resultados del sistema. Esto incluye proporcionar documentación sobre las capacidades del sistema, sus limitaciones, el rendimiento esperado, los escenarios de riesgo y, cuando sea aplicable, información que ayude a explicar cómo se generan los resultados.

La Ley de IA también vincula la explicabilidad con los requisitos de supervisión humana. Los responsables de la toma de decisiones deben poder monitorizar eficazmente los sistemas de IA, cuestionar los resultados cuando sea necesario e intervenir para evitar resultados perjudiciales. En la práctica, esto significa que las organizaciones necesitarán cada vez más técnicas de explicabilidad, documentación de modelos, registros de auditoría y herramientas de monitorización que hagan que las decisiones de la IA sean comprensibles tanto para técnicos como para responsables de negocio.

Más allá de las aplicaciones de alto riesgo, las nuevas obligaciones de transparencia para los sistemas de IA generativa requieren que los usuarios estén informados cuando interactúan con IA y cuando el contenido ha sido generado o manipulado por IA. A medida que estos requisitos entren en vigor, las organizaciones necesitarán marcos de gobernanza más sólidos que demuestren no solo cumplimiento, sino también que los sistemas de IA se pueden confiar, interpretar y responsabilizar. Aquí puedes ver las directrices de la Comisión Europea sobre las obligaciones de transparencia para los proveedores y desplegadores de sistemas de IA.

→ Consulta nuestra solución Trustworthy AI

La entrada Aspectos clave de la Ley Europea de IA (AI Act) se publicó primero en Mosaic Factor.

La aplicación BYOD transforma las operaciones diarias de los repartidores en un flujo de trabajo totalmente conectado y basado en datos. Desde la validación de paquetes hasta la prueba de entrega y la notificación de incidencias, cada acción se registra de forma segura y se transmite a la plataforma central, lo que garantiza que los proveedores de logística estén siempre informados.

Cuando un repartidor inicia sesión, la aplicación se adapta automáticamente a la configuración específica del Living Lab. Las funciones y los flujos de trabajo disponibles dependen del modelo operativo de cada entorno. La aplicación BYOD está diseñada para admitir diferentes implementaciones en distintas ciudades con configuraciones personalizadas, sin necesidad de modificar la aplicación principal.

En el Living Lab de Atenas, por ejemplo, los repartidores pueden operar a través de paquetes o paradas en el menú principal. Esta flexibilidad permite que la misma aplicación admita múltiples escenarios logísticos sin alterar el sistema central.

Función Parcel

El la funcionalidad Parcel, los repartidores añaden paquetes escaneando códigos QR o introduciendo manualmente los ID de los paquetes. Para mayor eficiencia, se pueden seleccionar varios paquetes a la vez escaneando códigos QR o introduciendo un ID de paquete para su procesamiento por lotes.

Una vez validados, los paquetes aparecen en la lista de trabajo actual, confirmando que están correctamente vinculados al repartidor. Permanecen visibles hasta que se completa la entrega, se retiran manualmente o se confirma la entrega en el sistema. Una opción de actualización permite al repartidor obtener la información más reciente del paquete en cualquier momento.

Al seleccionar un paquete, se accede a los datos esenciales de entrega, incluyendo su número de identificación, estado, dirección de entrega, fecha de entrega prevista, peso, tipo de servicio y ruta asociada. Durante el proceso de entrega, los repartidores pueden registrar eventos y actualizar la calidad del paquete directamente en la aplicación.

Como comprobante de entrega, se selecciona un solo paquete y el destinatario firma directamente en el dispositivo. La firma se registra de forma segura y se notifica inmediatamente, lo que garantiza una confirmación fiable de la entrega y la trazabilidad.

Función Stop

A través del menú principal, los repartidores pueden activar la función de parada, que ofrece una visión general estructurada de las paradas planificadas y la información de los paquetes, agrupada por ubicación de entrega. Las paradas se visualizan en un mapa interactivo, lo que proporciona una clara visibilidad de la ruta y una mejor percepción de la situación gracias a la geolocalización en tiempo real.

Al seleccionar una parada, se muestran los paquetes asignados a esa ubicación, lo que permite a los repartidores gestionar las entregas agrupadas de forma eficiente. Si se produce una incidencia, el repartidor puede notificarla directamente en la aplicación seleccionando el tipo de incidencia, añadiendo comentarios y compartiendo automáticamente su posición. Esta comunicación en tiempo real facilita los ajustes operativos inmediatos y la gestión proactiva de incidencias.

Impacto del BYOD

La herramienta BYOD de Green-Log garantiza que cada acción, desde la validación de paquetes hasta la captura de firmas y la notificación de incidencias, se transmita de forma segura a los operadores logísticos. Este flujo continuo de información mejora:

• La transparencia
• La coordinación
• La toma de decisiones basada en datos

Al combinar flexibilidad, visibilidad operativa en tiempo real y notificación segura, BYOD optimiza la eficiencia de la entrega de última milla y contribuye a una logística urbana más sostenible y optimizada en diferentes entornos urbanos.

→ Revisa nuestra solución Gemelos Digitales

La entrada Bring Your Own Device overview se publicó primero en Mosaic Factor.

Dentro del proyecto AutoMoTIF, este desafío se aborda mediante shunting as a service automatizado, con Mosaic Factor liderando el desarrollo del framework de simulación.

Del cuello de botella operativo a las operaciones ferroviarias coordinadas

El shunting desempeña un papel fundamental en las terminales intermodales, conectando los flujos de carga marítima con la distribución terrestre. Sin embargo, las operaciones de maniobra tradicionales suelen ser reactivas, fragmentadas entre sistemas, requieren mucha mano de obra y son ineficientes energéticamente.

El shunting as a service reinventa estas operaciones como una plataforma de servicio orquestada digitalmente, donde las locomotoras autónomas, los recursos de la estación y los sistemas de programación operan como un ecosistema integrado. El objetivo no es simplemente la automatización, sino la optimización del servicio.

La simulación impulsa la transformación

El entorno de simulación avanzado de Mosaic Factor reproduce la complejidad operativa de las terminales ferroviarias, incluyendo el movimiento de trenes, la clasificación de vagones, las limitaciones de capacidad de la estación, los ciclos de manipulación de contenedores, la asignación de recursos y los escenarios de interrupción.

Las locomotoras de shunting autónomas se modelan como agentes inteligentes que responden dinámicamente a la congestión, los cambios de horario y las limitaciones de la infraestructura.

Mediante el modelado de escenarios, las simulaciones evalúan:

• Reducción del tiempo de maniobra
• Mayor rapidez en la rotación de vagones
• Menores tiempos de inactividad y espera
• Optimización del consumo de energía
• Mayor rendimiento de la estación
• Mayor seguridad y menores costes operativos

Este enfoque basado en datos garantiza que los conceptos de automatización se validen antes de su implementación en el mundo real.

Plataforma Shunting as a Service

El shunting as a service introduce un cambio en la estructura de las operaciones de las estaciones ferroviarias. En lugar de una actividad interna fija, la gestión de maniobras se modela como una plataforma orientada a servicios donde la capacidad se asigna dinámicamente, las operaciones se coordinan digitalmente y el rendimiento se supervisa continuamente.

Este enfoque favorece una mayor interoperabilidad entre operadores de terminales, gestores de infraestructura ferroviaria, proveedores de logística y autoridades portuarias, al tiempo que permite la integración con otros procesos automatizados dentro de AutoMoTIF.

Impulsando terminales ferroviarias más inteligentes

Para garantizar resultados realistas, Mosaic Factor calibra simulaciones utilizando datos operativos históricos, información de planificación y escenarios de pruebas de estrés que reflejan la demanda máxima y el crecimiento futuro.

Los modelos resultantes proporcionan herramientas de apoyo a la toma de decisiones para la inversión en infraestructura, estrategias de automatización, modelos de negocio y alineación regulatoria, lo que ayuda a reducir el riesgo y acelerar la implementación.

Fortaleciendo la red europea de transporte ferroviario de mercancías 

Al mejorar la eficiencia ferroviaria, la automatización de maniobras contribuye a objetivos logísticos más amplios, entre ellos:

• Cambio modal de la carretera al ferrocarril
• Reducción de la congestión en las terminales
• Menores emisiones
• Condiciones de trabajo más seguras
• Operaciones logísticas más fiables

Mediante la validación basada en simulaciones, Mosaic Factor demuestra cómo la automatización de maniobras puede aumentar el rendimiento, reducir los retrasos, optimizar el consumo de energía y mejorar la seguridad.

La automatización del shunting, como plataforma orientada al servicio, representa más que una actualización tecnológica. Introduce un nuevo modelo operativo que refuerza el papel del ferrocarril en el sistema de transporte europeo, al tiempo que apoya una red logística más eficiente y sostenible.

→ Revisa nuestra solución Gemelos Digitales

La entrada Automated Shunting as a Service Platform se publicó primero en Mosaic Factor.

El debate se enmarcó en el trabajo más amplio sobre el libro blanco del CIDAI, elaborado a través de su grupo de expertos con contribuciones de actores públicos y privados. Como participantes en este esfuerzo, nos complace haber contribuido a la mesa redonda, donde Stefano Persi compartió ejemplos prácticos y casos prácticos que destacan el papel de la IA y el intercambio fiable de datos en entornos logísticos reales.

Visión del sector

Los volúmenes de transporte de mercancías por ferrocarril se mantienen por debajo de la media europea y una tasa de 5 millones de euros agrava el desafío. El transporte de mercancías por ferrocarril sigue enfrentándose a desafíos operativos y estructurales, a pesar de que se espera un crecimiento significativo de la demanda.

En consonancia con los objetivos de Neutralidad Climática 2050, se proyecta que los volúmenes de transporte de mercancías por ferrocarril se dupliquen en comparación con los promedios históricos recientes. Lograr este crecimiento requerirá no solo inversión en infraestructura, sino también una mejor coordinación, optimización y colaboración en todo el ecosistema logístico.

Desde la perspectiva de CIMALSA, , la multimodalidad es un factor clave para mejorar la eficiencia y la sostenibilidad logística. El modelo óptimo combina el ferrocarril para el transporte de media y larga distancia y el transporte por carretera, principalmente para operaciones de primera y última milla. La IA facilita esta transición al facilitar la reasignación de los flujos de transporte del camión al ferrocarril, optimizando rutas, horarios y el uso de la capacidad. Este enfoque puede reducir significativamente las emisiones en comparación con el transporte exclusivamente por carretera, manteniendo al mismo tiempo la flexibilidad operativa.

El intercambio de datos y el papel de los espacios de datos

Un desafío recurrente identificado es la reticencia de los operadores y agentes logísticos a compartir información. Si bien las preocupaciones sobre la privacidad son legítimas, a menudo limitan la optimización de todo el sistema. Los espacios de datos se destacaron como un factor clave, ya que proporcionan:

• Intercambio seguro de datos y acceso controlado.
• Reglas claras sobre cómo se comparten y utilizan los datos.
• Base técnica para que las herramientas de IA sugieran rutas, calculen costos y simulen escenarios operativos.

Al garantizar la confianza en los datos, los espacios de datos permiten que la IA facilite una mejor toma de decisiones sin comprometer la información empresarial confidencial.

Desafíos del sector logístico

Cinco grandes desafíos configuran el futuro del transporte ferroviario de mercancías y la logística:

• Presión por la sostenibilidad y la descarbonización.
• Resiliencia ante las crisis globales y geopolíticas.
• Congestión urbana y gestión de la última milla.
• Interoperabilidad digital y vulnerabilidades de ciberseguridad.
• Preparación organizativa y transformación tecnológica.

Estos desafíos están estrechamente interconectados y requieren respuestas coordinadas.

Dónde la IA puede aportar valor tangible 

La IA ya está demostrando beneficios mensurables en las operaciones de transporte y distribución, donde puede generar mejoras en eficiencia, costes y sostenibilidad. Para Mosaic Factor, esto incluye proyectos de automatización para la carga y descarga de contenedores en puertos.

A pesar de su potencial, existen barreras que dificultan la adopción de la IA. Estos desafíos incluyen:

• Falta de una estrategia de IA dentro de las organizaciones,
• problemas de gobernanza y fragmentación de datos,
• falta de datos históricos de calidad, dificultad para evaluar el ROI de las iniciativas de IA,
• y un entorno regulatorio complejo e inconsistente. Abordar estas barreras requiere una alineación estratégica más clara entre tecnología, operaciones y regulación.

Los participantes coincidieron en un modelo de tres niveles para el sector:

1. Digitalización: digitalización y automatización básicas, donde el progreso ya es visible.
2. Intercambio de datos: intercambio seguro de datos, que permite la visibilidad de la red.
3. Visibilidad y casos de éxito: más redes que logística y visibilidad de los casos de éxito.

Avanzar en estos niveles es esencial para liberar todo el potencial de la IA en la logística.

Conclusiones

La eficiencia logística depende de la combinación eficaz de innovación, sostenibilidad y regulación. La pregunta clave para los operadores es qué valor se crea al compartir datos. La IA, al combinarse con la multimodalidad y marcos confiables de intercambio de datos, puede mejorar significativamente la eficiencia, la sostenibilidad y la resiliencia de los sistemas de transporte ferroviario de mercancías y logística.

Durante la mesa redonda, Stefano destacó tres proyectos a los que contribuyó Mosaic Factor:

1. Pioneers: Predicción del Transporte de Contenedores (Iniciativa de Puertos Verdes de la UE)
2. Port of Antwerp-Bruges: Predictor del Flujo de Carga
3. Disruptive: Detección y Clasificación de Interrupciones en la Red Logística

En conjunto, estos proyectos muestran el impacto práctico de la IA y la colaboración de datos en operaciones logísticas reales, fundamentando el debate de la mesa redonda de CIDAI en soluciones tangibles.

Clica aquí para leer el documento completo del CIDAI.

La entrada El papel de la IA en la logística multimodal y el transporte ferroviario sostenible se publicó primero en Mosaic Factor.

Más allá del RAG tradicional

Los canales del RAG tradicional incorporan una consulta, recuperan contexto y generan una respuesta. Agentic RAG introduce inteligencia en el proceso. Clasificando la intención antes de decidir si es necesario recuperar información, llamar a herramientas o responder directamente, las empresas reportan reducciones de costos de hasta el 40% y mejoras de latencia del 35%.

Patrones clave que impulsan su adopción

Los expertos de la industria señalan tres patrones arquitectónicos que definen Agentic RAG:

• Intent-Based Query Routing: determina si es necesario recuperar información o si una respuesta directa es suficiente.
• Orquestación de herramientas con gestión de errores: coordina APIs, calculadoras y bases de datos mientras gestiona los errores de manera eficiente.
• Evaluación continua de costes y latencia: controla el uso de tokens y los indicadores de rendimiento en tiempo real.

Estos patrones permiten a los sistemas decidir, adaptarse y optimizar, un requisito crítico para la IA a escala empresarial.

Arquitectura en la práctica

Los sistemas Agentic RAG normalmente se construyen sobre tres capas:

• Capa de Orquestación: el “cerebro de decisión” que dirige las consultas de manera inteligente.
• Capa de Ejecución: gestiona la recuperación de información, las llamadas a herramientas y la inferencia LLM.
• Capa de Infraestructura: proporciona bases de datos vectoriales, gestión del despliegue y observabilidad.

A diferencia del RAG tradicional, que siempre realiza recuperación de información, el Agentic RAG evalúa si la recuperación es necesaria, organizando la combinación óptimade recuperación, herramientas y generación.

Flexibilidad del proveedor a través de capas de gateway

Otra tendencia clave es el auge de las abstracciones de gateway que permiten a los desarrolladores cambiar sin problemas entre proveedores como OpenAI, Anthropic, Google y Bedrock. Este enfoque permite:

• Enrutamiento de reserva cuando los proveedores tienen tiempos de inactividad;
• pruebas A/B sin cambios de código;
• optimización de costos dirigiendo las consultas al modelo más eficiente;
• libertad respecto a la dependencia de un proveedor.

Las empresas están adoptando cada vez más pasarelas unificadas para equilibrar velocidad, coste y fiabilidad entre los proveedores.

Conclusión

El Agentic RAG ya no es un experimento de nicho, sino el modelo para los sistemas de IA de producción. Al combinar la recuperación con la toma de decisiones, la orquestación y la observabilidad, la técnica establece nuevos estándares de eficiencia y adaptabilidad en la IA empresarial.

“La IA de producción no se trata solo de la recuperación. Se trata de inteligencia: saber cuándo recuperar, cuándo usar herramientas y cuándo responder directamente. El Agentic RAG ofrece esa inteligencia”.

La entrada Agentic RAG para IA se publicó primero en Mosaic Factor.

Aquí están las tendencias y desarrollos clave que se destacaron.

Digital Twins como protagonistas

La tecnología Digital Twin (DT) ha sido uno de los temas más destacados en los stands de los expositores. Las ciudades están adoptando cada vez más los DT para simular y gestionar sistemas urbanos complejos. Las aplicaciones más comunes mostradas incluyen:

• Emergency y disaster management
• Human behaviour modelling
• Traffic and parking optimisation
• Energy demand forecasting
• Urban planning, cómo identificar áreas donde se necesitan nuevas instalaciones de cuidado infantil

Varias empresas también presentaron la evolución del concepto Citiverse, parte de una iniciativa europea que integra Digital Twins con ciberseguridad, IoT y otras tecnologías avanzadas (Proyecto Citiverse de la Comisión Europea). Otro punto destacado fue la introducción de los 4D Digital Twins, que incorporan la dimensión temporal para permitir simulaciones urbanas predictivas (Nfold ROI).

Smart Cities y visual Language Models

La innovación en IA fue otro de los grandes focos. NVIDIA presentó su plataforma de Modelo de Lenguaje Visual (VLM) para ciudades, diseñada para transformar los datos de imágenes capturados por sensores en un “cerebro de la ciudad” inteligente capaz de interpretar escenarios urbanos actuales y potenciales. Se demostraron aplicaciones prácticas en Leipzig, donde se están utilizando DT impulsados por IA para optimizar los aparcamientos y la infraestructura para bicicletas. Mientras tanto, la Universidad de Hamburgo mostró proyectos de IA colaborativos y de código abierto, poniendo énfasis en su interés por unirse a iniciativas financiadas por Europa (DCS Intro 2024).

Cybersecurity y Global Engagement

La ciberseguridad ha sido un tema recurrente durante toda la exposición, destacando su papel crucial en la protección de las infraestructuras de las ciudades inteligentes. Cabe señalar que el Banco Mundial participó activamente, reflejando la importancia global de los ecosistemas digitales seguros.

Nuestra contribución: Open Innovation Challenges

Como parte de nuestra participación, participamos en desafíos de innovación abierta, presentando propuestas que aprovechan los grandes Modelos de Lenguaje (LLM) y los Gemelos Digitales para aplicaciones corporativas. Estas iniciativas demuestran nuestro compromiso con superar los límites de la inteligencia artificial y la tecnología urbana, asegurando que las ciudades del futuro sean no solo más inteligentes, sino también más resilientes e inclusivas.

Nuestra presencia en la Smart City Expo de Barcelona reafirmó nuestro papel como proveedor de tecnología con visión de futuro. Contribuyendo a las discusiones sobre Gemelos Digitales, IA, ciberseguridad e innovación abierta, continuamos dando forma al futuro de la vida urbana, impulsando soluciones que hacen que las ciudades sean más adaptativas, eficientes y centradas en las personas.

La entrada Smart City Expo Barcelona se publicó primero en Mosaic Factor.

AGI: el horizonte a largo plazo

La IA General, o Inteligencia Artificial General (AGI, en inglés), se refiere a máquinas que pueden realizar cualquier tarea intelectual que un humano puede. Es flexible, autónoma y capaz de razonar en diversos dominios. Estado Actual: La IAG sigue siendo teórica. Ningún sistema existente ha logrado una verdadera inteligencia general. Creemos que este es un tema altamente atractivo, y estamos monitoreando los desarrollos con gran interés y anticipación.

Generative AI: creatividad en el mundo real a gran escala

La IA generativa (o GenAI en inglés) ya está transformando industrias. Estos modelos crean nuevo contenido – texto, imágenes, código, audio, entre otros – basado en patrones de datos aprendidos. Casos de uso que podemos ofrecer para GenAI:

• Generación de contenido automatizado para industrias específicas (como la atención médica).
• Resumir documentos y análisis de contratos para equipos legales o de cumplimiento normativo.
• Chatbots inteligentes para consultas internas de la empresa o soporte al cliente.
• Herramientas de generación y depuración de código para desarrolladores específicos de la industria (como el automotriz).

Nuestras soluciones: construimos y ajustamos modelos de IA generativa utilizando los datos propietarios de nuestros clientes, asegurando que los resultados sean precisos, alineados con la organización y cumplan con las normativas. Ya sea que necesiten un asistente personalizado estilo GPT o un generador de imágenes para el diseño de productos, podemos hacerlo realidad.

Técnicas de IA específicas

Nuestro enfoque principal es permitir que las empresas resuelvan desafíos precisos a través de técnicas avanzadas de inteligencia artificial. Es lo que siempre hemos hecho – lo que llamamos ‘IA tradicional’ – y ha sido central en nuestro viaje desde nuestra fundación. Nuestro enfoque: diseñamos, entrenamos y desplegamos estos modelos con soporte durante todo su ciclo de vida: desde la estrategia de datos y la infraestructura hasta la gobernanza y el monitoreo del rendimiento.

Por qué trabajar con Mosaic Factor?

La IA es poderosa, pero solo cuando se aplica con precisión. No solo entregamos herramientas, entregamos transformación.

• Consultoría estratégica de IA y desarrollo de hoja de ruta
• Diseño e integración de modelos personalizados
• Despliegue escalable en la nube y en el borde
• Soporte continuo, compliance y optimización

Ya sea que estés explorando IA generativa para automatización creativa o aprendizaje automático para eficiencia operativa, te ayudamos a transformar el potencial en rendimiento.

¿Listo para explorar lo que la IA puede hacer por tu negocio? Contáctanos para construir algo extraordinario, juntos.

La entrada IA General vs. IA Generativa: lo que significan para tu negocio se publicó primero en Mosaic Factor.

Así que hablamos de tener disponibles modelos abiertos, consistentes con la normativa y basados en diversidad y ética, a nivel europeo.

LLMs específicos de sector

Trabajar hacia el desarrollo de modelos de lenguaje específicos para la industria, basados en los modelos de OpenEuroLLM, ofrece una oportunidad única para las empresas. Estos modelos no solo democratizan el acceso a tecnologías de IA de alta calidad, sino que también permiten una personalización precisa para satisfacer las necesidades específicas de cada sector.

Principales beneficios:

1. Adaptabilidad y Precisión: Los modelos pueden ser ajustados y afinados para aplicaciones específicas, mejorando la precisión y relevancia de las soluciones de IA en contextos industriales.
2. Cumplimiento Normativo: Desarrollados dentro del marco regulatorio europeo, estos modelos aseguran que las soluciones de IA cumplan con las normativas vigentes, reduciendo riesgos legales y éticos.
3. Diversidad Lingüística y Cultural: La capacidad multilingüe de estos modelos preserva la diversidad lingüística y cultural, permitiendo a las empresas operar eficazmente en múltiples mercados europeos.
4. Transparencia y Comunidad: La naturaleza abierta del proyecto fomenta la colaboración y el intercambio de conocimientos, creando una comunidad activa de desarrolladores y usuarios que pueden contribuir a la mejora continua de los modelos.

Basedos en Trustworthy AI

Para las empresas, invertir en el desarrollo de modelos de lenguaje específicos para la industria basados en OpenEuroLLM no solo es una estrategia innovadora, sino también una forma de asegurar que están a la vanguardia de la tecnología de IA, cumpliendo con los estándares europeos y aprovechando al máximo las capacidades de la IA para impulsar su competitividad en el mercado global.

→ Revisa nuestra solución LLMs

La entrada LLMs abiertos para una IA transparente se publicó primero en Mosaic Factor.

Estos hitos ponen de manifiesto la capacidad de la plataforma para ofrecer soluciones prácticas y eficaces para escenarios logísticos urbanos del mundo real. En el futuro, los esfuerzos de desarrollo se centrarán en:

• Ampliar las funcionalidades y garantizar la compatibilidad entre componentes.
• La versión 3 de la plataforma introducirá funciones interactivas, lo que permitirá a los usuarios ajustar los parámetros de optimización directamente dentro de la aplicación.
• La versión 4 ampliará todas las funcionalidades para incluir todos los Living Labs, garantizando la adaptabilidad a diversos contextos urbanos.

La versión final incorporará el módulo de optimización mejorado, integrando flujos de trabajo de simulación para crear una plataforma totalmente operativa capaz de abordar necesidades logísticas complejas. A través de la iteración continua, la colaboración de las partes interesadas y las pruebas meticulosas, nuestra AIMP está en camino de ofrecer una solución sólida y adaptable para la logística urbana, abordando las necesidades de los Living Labs y mostrando su potencial en aplicaciones del mundo real.

La plataforma de simulación

Aquí puedes echar un vistazo a cómo es el AIMP:

→ Revisa nuestra solución Digital Twins

La entrada Augmented Intelligence Modelling Platform se publicó primero en Mosaic Factor.