1. La adopción exitosa de la IA empieza por el problema, no por la tecnología

2. Una IA fiable depende de datos fiables 

La entrada AI Congress 2026: por qué gobernanza, datos y adopción importan más que los modelos se publicó primero en Mosaic Factor.

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.

IA sanitaria en BNEW 2026: medicina de precisión, explicabilidad y mitigación de sesgos

La IA, en el centro de la nueva economía

La entrada BNEW 2026: tendencias de la IA sanitaria, medicina de precisión e IA responsable se publicó primero en Mosaic Factor.

En este artículo compartimos las principales conclusiones del reportaje y profundizamos en áreas cada vez más importantes para los fabricantes (OEM) y proveedores del sector: la IA explicable, la toma de decisiones confiable, los gemelos digitales industriales y la evolución hacia el vehículo definido por software (SDV).

1. Centrar la inversión en IA en los procesos de fabricación de mayor impacto

La IA ofrece el retorno de inversión más alto en entornos de fabricación donde la complejidad operativa, las paradas de equipos y los problemas de calidad generan costes importantes. Como explicamos a AutoRevista:

«Los mayores retornos suelen encontrarse en áreas caracterizadas por una alta complejidad operativa, grandes volúmenes de datos y costes significativos asociados a paradas, retrabajos o consumo energético».

En la práctica, esto significa:

• mantenimiento predictivo en equipos críticos.
• monitorización en tiempo real para detectar cuellos de botella.
• ajuste de parámetros de proceso.
• y control de calidad basado en datos de sensores y de sistemas MES, SCADA y PLC.

Los gemelos digitales integran todo ello. Antes de mover una línea, modificar un flujo logístico o ampliar la capacidad, una planta puede probar el cambio de forma virtual, «reduciendo el riesgo y acelerando la toma de decisiones».

2. La IA predictiva y la IA generativa resuelven retos de fabricación distintos

En la fabricación de automóviles, la IA predictiva se utiliza habitualmente para el mantenimiento predictivo, la detección de anomalías y la optimización de procesos, mientras que la IA generativa da soporte a la gestión del conocimiento, la documentación de ingeniería y la asistencia a los trabajadores.

A menudo se meten en el mismo saco, pero en planta resuelven problemas diferentes. Los modelos predictivos son la herramienta más madura y se usan para anticipar fallos, modelizar el comportamiento de los equipos y planificar el mantenimiento. La IA generativa es más reciente y ayuda más a las personas que a las máquinas: hace accesible la documentación técnica y el conocimiento experto a los equipos de producción, ingeniería, mantenimiento y calidad.
Este segundo uso se está volviendo urgente. Como señalamos en la entrevista:

«La transferencia de conocimiento y la disponibilidad de personal especializado se han convertido en retos estratégicos para muchas plantas».

3. La optimización energética basada en IA se está convirtiendo en una ventaja competitiva

Las operaciones de alto consumo energético, como los talleres de pintura, los hornos, los sistemas de aire comprimido y las instalaciones de climatización (HVAC), se están optimizando cada vez más mediante modelos de machine learning y tecnologías de gemelo digital.

El machine learning y los gemelos digitales permiten detectar patrones de consumo, señalar anomalías y simular escenarios de producción. El objetivo es consumir menos energía sin renunciar a la calidad ni a la producción. Estas capacidades también están en el centro de Twin-Loop, nuestro proyecto Horizon Europe, en el que desarrollamos gemelos digitales impulsados por IA para ayudar a los operadores industriales a entender el impacto de las decisiones de producción en el consumo energético, la eficiencia de los recursos y el desempeño en sostenibilidad. El proyecto refleja un cambio más amplio hacia entornos de fabricación más inteligentes y basados en datos, capaces de adaptarse y optimizar sus operaciones de forma continua.

«Esto permite pasar de una gestión energética reactiva a una optimización continua basada en datos, un enfoque que además está alineado con los objetivos de sostenibilidad y reducción de emisiones que se está marcando actualmente la industria de la automoción», afirmó nuestro CTO.

4. La IA explicable mantiene a las personas al mando de las decisiones críticas de fabricación

A medida que los sistemas de IA se integran más profundamente en los procesos productivos, la IA explicable (XAI) se está volviendo imprescindible para el aseguramiento de la calidad, el cumplimiento normativo y la confianza operativa.

Los equipos de fabricación y calidad necesitan entender por qué un sistema de IA recomienda una acción concreta, sobre todo cuando las decisiones afectan a la seguridad, la continuidad de la producción o la calidad del producto.

Las tres empresas del reportaje coincidieron en este punto. La visión artificial ya resuelve muy bien la mayor parte de la inspección repetitiva y de gran volumen. Sin embargo, para los componentes más críticos, creemos que la mejor configuración combina IA, sistemas de visión y supervisión humana.

Hay un motivo detrás de esto que no se incluyó en la versión impresa. En entornos industriales, las decisiones deben ser auditables y comprensibles para los equipos de producción y calidad que responden por ellas. Por eso nos centramos en una IA explicable y fiable, y por eso nuestro lema es AI you can trust.

Nuestra visión es que la IA debe hacer más capaces a los equipos, no sustituirlos, ayudándoles a decidir más rápido, con mejores evidencias y menos incertidumbre.

5. El vehículo definido por software está transformando la fabricación de automóviles

El auge del vehículo definido por software (SDV) no solo está cambiando el desarrollo de los vehículos, sino también la forma en que operan las plantas de automoción.

Los vehículos modernos dependen cada vez más del software, los sensores, la conectividad y las actualizaciones continuas a lo largo de todo su ciclo de vida. Por ello, los fabricantes necesitan entornos de producción capaces de adaptarse rápidamente a los cambios de producto, validar sistemas con un alto componente de software y mantener una trazabilidad de extremo a extremo.

La IA, los gemelos digitales y la analítica avanzada desempeñan un papel clave en esta transición. Permiten a los fabricantes simular escenarios de producción, supervisar la calidad en tiempo real y acelerar la toma de decisiones tanto en ingeniería como en las operaciones de planta.

En Mosaic Factor creemos que la convergencia de la IA, los gemelos digitales industriales y los sistemas explicables de apoyo a la decisión será fundamental para la próxima generación de fabricación de vehículos definidos por software.
O, como lo expresamos a AutoRevista:

«En nuestra opinión, el futuro pasa por una integración cada vez mayor entre el mundo físico y el digital, con la IA actuando como columna vertebral de toda la cadena de valor».

La IA en la fabricación de automóviles exige algo más que automatización

La industria de la automoción está dejando atrás los pilotos aislados de IA y avanzando hacia operaciones basadas en datos en las que el mantenimiento predictivo, los gemelos digitales, la optimización energética y la IA explicable trabajan juntos para mejorar la productividad y la resiliencia.

Para los fabricantes y proveedores del sector, el reto ya no es si adoptar la IA, sino dónde generar valor primero y cómo escalar las soluciones de forma segura y transparente.

En Mosaic Factor ayudamos a las organizaciones industriales a implantar soluciones de IA fiable, machine learning, gemelos digitales e IA explicable que generan un impacto medible sin dejar de situar a las personas en el centro de la toma de decisiones. A medida que la fabricación de automóviles evoluciona hacia la era del vehículo definido por software, la IA industrial fiable y explicable se convertirá en un factor diferencial competitivo clave.

Gracias a AutoRevista y a Irene Díaz por contar con nosotros, y a Overstand Intelligence y GFT por un debate excelente.

📖 Lee el reportaje completo en AutoRevista n.º 2.414 (septiembre de 2026), págs. 64–69.
🎥 Mira nuestro vídeo corporativo:

La entrada La IA transforma la planta automotriz: mantenimiento predictivo, gemelos digitales e IA explicable se publicó primero en Mosaic Factor.

Grabación

Si no pudiste unirte a esta segunda sesión de nuestra serie de webinars sobre IA explicable para descubrir cómo las organizaciones de salud pueden desarrollar soluciones de IA en las que los clínicos confíen, los responsables de decisiones comprendan y los profesionales de gobierno y regulación puedan evaluar con confianza. Ahora puedes ver la grabación a continuación:

Cerrando la brecha entre los modelos de IA y la confianza clínica

En la segunda sesión de nuestra serie de webinars sobre Inteligencia Artificial Explicable (XAI) –puedes volver a ver la primera sesión, XAI para la toma de decisiones aquí –exploraremos cómo el XAI puede ayudar a reducir la distancia entre el rendimiento técnico de los modelos y la adopción clínica práctica. Esta sesión se centra en cómo diseñar y comunicar explicaciones de IA que ayuden a los profesionales de la salud a entender, validar y hacer un uso adecuado de los conocimientos basados en IA. Estas capacidades también son cada vez más relevantes para la preparación normativa en Europa, ya que el AI Act de la UE establece requisitos relacionados con la transparencia, la interpretación de los resultados y la supervisión humana efectiva para ciertos sistemas de IA sanitaria de alto riesgo. Aunque esta no es una sesión normativa, el webinar explorará brevemente cómo los enfoques prácticos centrados en el médico pueden apoyar estas expectativas.

¿Cómo pueden los profesionales clínicos confiar en una recomendación de IA si no entienden cómo se llegó a ella? La realidad es que la precisión técnica por sí sola rara vez impulsa la adopción en la sanidad. Incluso los modelos con muy buen rendimiento pueden quedar sin usar si los profesionales de la salud no pueden evaluar el razonamiento detrás de las predicciones, entender los factores que contribuyen o saber cuándo cuestionar un resultado.

Por qué es importante la IA explicable en la salud

Las decisiones sobre la salud afectan directamente los resultados de los pacientes. Por eso, los clínicos deben ser capaces de evaluar y entender las recomendaciones que proporcionan los sistemas de IA antes de incorporarlas a sus flujos de trabajo. Una de las barreras más comunes para la adopción de la IA en la salud no es el rendimiento del modelo, sino la falta de confianza. Algunas de las preguntas que los clínicos plantean con más frecuencia son:

• ¿Por qué se clasificó a este paciente como de alto riesgo?
• ¿Cuáles factores contribuyeron más a esta predicción?
• ¿Se puede justificar clínicamente esta recomendación?
• ¿La explicación se alinea con los conocimientos médicos establecidos?
• ¿Cuándo se debería cuestionar o revisar el resultado del modelo?

Sin explicaciones significativas, los sistemas de IA pueden percibirse como cajas negras difíciles de validar en entornos clínicos reales. La IA explicable ayuda a abordar estas preocupaciones haciendo que el razonamiento del modelo sea más transparente, permitiendo a los médicos entender mejor las predicciones e integrar los conocimientos de la IA en el proceso de toma de decisiones. Las organizaciones sanitarias cada vez miran más allá de la exactitud del modelo a la hora de evaluar soluciones de IA. Para crear un valor real en entornos clínicos, los sistemas de IA también deben ser:

• Suficientemente transparentes para que los profesionales puedan entender los factores detrás de las predicciones y recomendaciones.
• Fiables y robustos en diversas poblaciones de pacientes y escenarios clínicos.
• En línea con el razonamiento clínico y las prácticas establecidas en salud.
• Capaces de dar soporte a la colaboración entre científicos de datos, profesionales de la salud y responsables de la toma de decisiones.
• Confiable para los usuarios finales (sanitarios) que, al fin y al cabo, son los responsables del cuidado de los pacientes.

Aunque la falta de confianza a menudo se menciona como una barrera para la adopción de la IA, casi nunca es el único desafío. Una implementación eficaz de la IA también requiere una comunicación clara, interpretabilidad y una comprensión compartida del comportamiento del modelo entre los equipos técnicos y clínicos. La IA explicable proporciona las herramientas y metodologías necesarias para afrontar estos desafíos y transformar la IA de un resultado técnico a una capacidad práctica de apoyo en la toma de decisiones.

📨 Clica aquí para registrarte ahora

Hacer que la explicabilidad sea comprensible para los clínicos

Producir explicaciones es solo el primer paso. Muchas técnicas de XAI generan resultados que tienen sentido para los científicos de datos pero que son difíciles de interpretar para los profesionales de la salud dentro del contexto de la atención al paciente. Para que la IA sea realmente útil en la sanidad, las explicaciones deben traducirse en formas que se alineen con el pensamiento clínico y los procesos de toma de decisiones. Esta sesión explorará cómo podemos traducir las explicaciones de la IA en conocimientos clínicamente relevantes?

• Qué necesitan realmente los clínicos de las explicaciones de la IA.
• Cómo interpretan los diferentes actores del sector sanitario los resultados de los modelos.
• Técnicas para presentar el razonamiento del modelo de manera significativa desde el punto de vista clínico.
• Cómo la XAI puede fortalecer la colaboración entre los expertos en salud y los equipos de desarrollo de IA.

El objetivo no es simplemente explicar el modelo, sino asegurarse de que las explicaciones respalden un juicio clínico informado. Muchas organizaciones implementan con éxito técnicas sofisticadas de XAI, pero las visualizaciones, métricas y resultados técnicos que resultan, a menudo están pensados más para científicos de datos que para profesionales de la salud. Los participantes aprenderán cómo pasar de explicaciones técnicas a explicaciones que apoyen el juicio y la toma de decisiones clínicas.

Qué aprenderás

Durante esta sesión, los participantes obtendrán conocimientos prácticos sobre:

• Por qué la confianza sigue siendo una de las barreras más grandes para la adopción de la IA en la salud.
• El papel de la IA explicable en el apoyo a la toma de decisiones clínicas.
• Traducir explicaciones técnicas en conocimientos fáciles de entender para los clínicos, la diferencia entre explicar un modelo y comunicar una explicación de manera efectiva.
• Diseñar explicaciones transparentes para diferentes actores del sector sanitario que se integren en los flujos de trabajo clínicos.
• Cómo la XAI puede apoyar la transparencia y la supervisión humana en IA sanitaria de alto riesgo según la AI Act (acuerdo de la IA de la UE).
• Mejores prácticas para enfoques centrados en las personas en la adopción de la IA en la salud.

El énfasis está totalmente puesto en crear sistemas de IA que los profesionales de la salud puedan entender, evaluar y usar con confianza en su práctica. Al final de esta sesión, los participantes entenderán cómo la IA explicable puede ayudar a crear sistemas de IA en la atención sanitaria que sean:

• Transparentes – los clínicos pueden entender los factores que influyen en las predicciones.
• Interpretables – las explicaciones se presentan de manera significativa desde el punto de vista clínico.
• Fiables – los profesionales de la salud pueden evaluar y usar con confianza los resultados de la IA.
• Adoptables – las soluciones de IA se integran de manera natural en los flujos de trabajo clínicos.

El foco estará en hacer que la explicabilidad sea útil, comprensible y aplicable para los profesionales de la salud. Al final de la sesión, nuestra Chief Data Scientist, Burcu Kolbay, responderá preguntas en directo. Invitado especial: se une nuestra Chief Data Scientist, el Dr. Josep Vidal, miembro del grupo de trabajo de proyectos de IA multidisciplinarios y multi-territoriales del Institut Català de la Salut (ICS). El Dr. Vidal compartirá perspectivas prácticas sobre la adopción de la IA en entornos sanitarios, la importancia de la explicabilidad para la toma de decisiones clínicas y los retos de traducir los conocimientos de la IA en información que los profesionales de la salud puedan usar con confianza en su práctica diaria.

A quién se dirige 

Esta masterclass está diseñada para profesionales implicados en el desarrollo, la implementación, la evaluación o la adopción de la IA en la salud, incluyendo:

• Especialistas en Informática Clínica
• Líderes en Salud Digital
• Profesionales de Dispositivos Médicos y HealthTech
• Médicos e Investigadores Clínicos
• Equipos de Innovación Hospitalaria
• Prescriptores de Decisiones Sanitarias

No se requiere ninguna formación técnica avanzada. La sesión está pensada para fomentar el diálogo entre las comunidades técnica y clínica.

Detalles del webinar

📅 Miércoles, 7 de Octubre, 2026

⏰ 11:00 h – 12:00 h

• Formato: Online (live)
• Duración: 60 minutos
• Nivel: Básico a intermedio
• Idioma: Inglés 

La entrada Webinar series: Explainable AI para el sector sanitario 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.

Grabación

Si no pudiste unirte a esta primera sesión de nuestra serie de webinars sobre IA explicable para asegurarse de que sus soluciones de IA no solo sean poderosas, sino también comprensibles, confiables y transparentes para quienes las utilizan para tomar decisiones. Ahora puedes ver la grabación a continuación:

Por qué la Explainable AI es importante en todos los sectores? 

Los modelos de IA de alto rendimiento ya no son suficientes por sí solos. En distintos sectores, las organizaciones enfrentan desafíos similares:

• Modelos complejos que generan predicciones pero no comprensión.
• Dificultad para explicar los resultados a personas no técnicas.
• Visibilidad limitada del comportamiento, supuestos y limitaciones del modelo.
• Baja confianza en los resultados de la IA cuando las decisiones implican riesgos operativos o estratégicos.

La IA explicable proporciona las herramientas y marcos para salvar estas brechas. Cuando se aplica correctamente, la XAI ayuda a las organizaciones a:

• Comprender por qué un modelo se comporta de la manera en que lo hace.
• Mejorar la robustez del modelo durante el desarrollo y la iteración.
• Detectar problemas ocultos, sesgos o dependencias de datos de forma temprana.
• Comunicar con claridad los conocimientos de la IA a propietarios de productos, gerentes y ejecutivos.
• Construir confianza compartida entre los equipos de datos y los responsables de la toma de decisiones.

Por lo tanto, la explicabilidad no es solo una característica técnica, sino un habilitador crítico de la adopción confiable de la IA a gran escala.

El primero, de una serie de webinars

Esta sesión inaugura una serie de webinars más amplia sobre Inteligencia Artificial Explicable. Mientras que las ediciones futuras explorarán aplicaciones específicas por industria, esta primera clase magistral adopta una perspectiva transversal a diversas industrias, centrándose en los responsables de la toma de decisiones y en los principios comunes que se aplican independientemente del sector. El objetivo es establecer un lenguaje y una mentalidad compartidos en torno a la IAX que alineen el desarrollo técnico con la toma de decisiones empresariales.

Qué aprenderás

Al final de esta sesión, los participantes comprenderán cómo ir más allá de la precisión por sí sola y diseñar sistemas de IA que sean:

• Transparentes: su comportamiento puede ser entendido e inspeccionado.
• Explicables: las predicciones pueden justificarse en términos comprensibles para los humanos y rastrearse de manera que los modelos puedan rendir cuentas.
• Confiables: los resultados pueden usarse con confianza en decisiones del mundo real.

Durante la sesión, cubriremos:

1. Por qué la IA Explicable es importante para los tomadores de decisiones
2. Fundamentos de la IA Explicable, sin la carga técnica
3. Dónde la IA Explicable crea valor empresarial
4. Explicabilidad a través de diferentes enfoques de IA
5. Operacionalización de XAI en la organización
6. Comunicación de decisiones de IA con confianza
7. Recorrido basado en casos: Flujo de trabajo XAI de Mosaic Factor

El enfoque se mantiene firmemente en la toma de decisiones práctica y la fiabilidad del modelo, no en teoría abstracta. Al final de la sesión, nuestra Chief Data Scientist, Burcu Kolbay, responderá a preguntas en directo.

A quién se dirige

Este webinar está diseñado para profesionales que trabajan (o están dispuestos a trabajar) con IA en diferentes industrias, incluyendo:

• Tomadores de decisiones que dependen de los resultados de la IA (nivel C)
• Product Owners y gerentes técnicos
• Líderes en innovación y transformación digital

No se requiere experiencia legal o en cumplimiento. La sesión prioriza perspectivas aplicadas, centradas en el desarrollo y orientadas a la comunicación.

Detalles del evento

📅 Martes, 26 de Mayo, 2026

⏰ 11:00 h – 12:00 h

• Formato: Online (live)
• Duración: 60 minutos
• Nivel: Basic a Intermediate
• Idioma: English 

La entrada Webinar series: Explainable AI para decision makers 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.

Por qué la Explainable AI es importante en el sector Automotive 

Los sistemas de IA en la automoción deben cumplir estándares extremadamente altos de seguridad, regulación y responsabilidad. La IA explicable es esencial para permitir:

• Cumplimiento normativo (incluyendo las nuevas regulaciones de IA y los estándares de seguridad automotriz).
• Trazabilidad de las decisiones en sistemas críticos para la seguridad.
• Depuración y validación de modelos de machine learning complejos.
• Detectar y solucionar sesgos tanto en los datos como en las predicciones.
• Confianza y aceptación por parte de reguladores, partners y usuarios finales.

Sin explicabilidad, incluso los modelos con alto rendimiento pueden ser difíciles o imposibles de certificar, validar o desplegar de manera responsable.

Webinar

Aunque la sesión se realiza en línea, su enfoque práctico, interactivo y profundo va más allá de un webinar tradicional. Los participantes no solo aprenderán qué es la Inteligencia Artificial Explicable, sino también cómo aplicarla directamente en casos reales del sector de la automoción y en procesos de desarrollo. Por eso definimos el evento como una masterclass en línea, que combina profundidad e interactividad con la accesibilidad y comodidad de un formato tipo webinar.

📨 Clica aquí para registrarte ahora. 

Qué aprenderás

Al final de esta sesión, los participantes entenderán cómo ir más allá de la precisión y diseñar sistemas de IA que sean:

• Transparentes: su comportamiento se puede entender e inspeccionar.
• Responsables: las decisiones se pueden justificar y rastrear.
• Confiables: seguros para desplegar en entornos automovilísticos reales.

Las personas participantes obtendrán conocimientos prácticos y aplicables sobre:

1. Los fundamentos de la Inteligencia Artificial Explicable (XAI) y la interpretabilidad de los modelos.
2. La diferencia entre modelos intrínsecamente transparentes y explicabilidad posterior.
3. Técnicas clave de XAI para aplicaciones en la automoción (por ejemplo: atribución de características y explicaciones locales vs. globales).
4. Cómo diseñar sistemas de IA que sean responsables por diseño.
5. Integrar la explicabilidad en los flujos de desarrollo, pruebas y validación.
6. Apoyar auditorías, documentación y revisiones regulatorias con XAI.
7. Ejemplos reales del sector de la automoción y lecciones aprendidas.

El enfoque está claramente en la toma de decisiones práctica, no en la teoría abstracta. Nuestra Chief Data Scientist, Burcu Kolbay, responderá preguntas al final.

A quién se dirige

Esta masterclass está diseñada para profesionales que trabajan con IA dentro del ecosistema automotriz, incluyendo:

• Ingenieros de IA y Aprendizaje Automático
• Científicos de Datos
• Ingenieros de ADAS y Conducción Autónoma
• Gestores de Seguridad Funcional y Compliance
• Líderes de I+D e Innovación
• Product Owners y Gestores Técnicos

No es necesario tener conocimientos legales. Las perspectivas aplicadas y centradas en la ingeniería son el enfoque principal.

Detalles del webinar

• Formato: Online (live)
• Duración: 60 minutos
• Nivel: Intermedio a Avanzado
• Idioma: Inglés 

Registro

Únete a esta masterclass para asegurarte que les vuestras soluciones de IA sean potentes, pero también comprensibles, responsables y confiables.

📨 Clica aquí para registrarte ahora y ayudar a dar forma al futuro de la IA automotriz de confianza. 

La entrada Masterclass Explainable AI para automotive: from black boxes to trust  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.