La inteligencia artificial aplicada

Cuando se analiza el impacto de la inteligencia artificial en la cadena de suministro global desde la doble trinchera de la dirección general y la arquitectura tecnológica, se llega rápidamente a una certidumbre incómoda: el riesgo empresarial más severo de 2027 no es quedarse atrás en la adopción algorítmica, sino sucumbir a la fantasía del reemplazo total del factor humano. Quienes ocupamos posiciones donde se cruzan la cuenta de resultados y el diseño de sistemas sabemos que las herramientas generativas y los modelos de cimentación han redefinido la velocidad de los procesos de negocio. Sin embargo, convertir esa velocidad en ventaja competitiva real exige comprender que la IA no es un oráculo infalible, sino una máquina probabilística que colapsa si se desvincula del conocimiento operativo profundo.

Desde la perspectiva del liderazgo ejecutivo, la logística contemporánea enfrenta una presión estructural inédita. Las dinámicas de relocalización de cadenas de suministro, conocidas como nearshoring, han situado a mercados emergentes como México en el epicentro del comercio norteamericano. No obstante, al contrastar esta oportunidad con los indicadores históricos y actuales de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), la realidad impone cautela. Si en el reporte OECD Employment Outlook de 2011 ya se señalaban debilidades estructurales en la calidad del empleo, bajas tasas de productividad y un alto grado de informalidad laboral en México, las actualizaciones de la OCDE hacia 2026 confirman una transición crítica: la ventaja competitiva basada únicamente en la mano de obra intensiva ha caducado. La adopción masiva de tecnología en la región exige ahora desplazar la fuerza laboral hacia tareas de supervisión cognitiva de alto nivel, donde la automatización no elimina empleos, sino que transforma radicalmente el perfil de las tareas requeridas.

Aquí es donde la visión del director de tecnología debe guiar a la del director general. A nivel técnico, las arquitecturas basadas en Transformers, redes neuronales profundas y bucles de generación aumentada por recuperación (RAG) destacan en el procesamiento de datos masivos, la predicción de demanda y la optimización de rutas multinivel. Pueden estructurar manifiestos de carga heterogéneos en milisegundos o sugerir reasignaciones de inventario ante perturbaciones climáticas. Pero estas herramientas operan calculando correlaciones estadísticas dentro de espacios latentes; no entienden la realidad física del mundo ni poseen sentido común contextual.

Cuando un proceso de gestión de procesos de negocio (BPM) se automatiza a ciegas, concediendo autonomía completa al algoritmo, las fallas son inmediatas y costosas. Un sistema de optimización logística puede alucinar una ruta marítima o terrestre matemáticamente eficiente que resulta impracticable porque ignora el horario de operación de un puente internacional, desconoce una huelga portuaria en curso o pasa por alto normativas aduaneras locales que no estaban representadas en sus datos de entrenamiento. En logística, los eventos fuera de distribución (out-of-distribution events) no son excepciones raras; son la norma diaria.

Los informes de la OCDE sobre el mercado de trabajo en la era digital subrayan que los países y empresas que logran capturar valor real con la IA son aquellos que invierten en la reconversión de habilidades (upskilling) de sus especialistas de dominio. Un agente aduanal experimentado, un director de tráfico o un planificador de demanda capacitado para auditar los modelos de IA detectan en segundos las inconsistencias operativas que el código es incapaz de percibir. El experto humano actúa como la barrera de seguridad que traduce las inferencias probabilísticas del software en ejecuciones físicas viables, seguras y rentables.

Por ello, la estrategia corporativa más sensata en 2026 rechaza el falso dilema entre la automatización total y la resistencia al cambio. El objetivo de la alta dirección debe ser el diseño de flujos de trabajo con el patrón de “humano en el bucle” (Human-in-the-Loop). En esta arquitectura, la inteligencia artificial asume el volumen, la sintetización rápida de datos y el trabajo cognitivo repetitivo, mientras que el juicio humano conserva la toma de decisiones estratégicas, la gestión de excepciones complejas y la responsabilidad legal y ética del proceso.

Las empresas que triunfarán en el escenario global no serán las que intenten sustituir la experiencia de su gente por algoritmos opacos, sino aquellas que equipen a sus expertos de operaciones con herramientas computacionales avanzadas. La tecnología es el motor de disrupción, pero la soberanía del proceso y la resiliencia del negocio siguen dependiendo, de manera irreductible, de la capacidad humana para pensar, dudar y decidir.

En sus análisis y recomendaciones estratégicas sobre el futuro del trabajo y la adopción de inteligencia artificial (OECD Employment Outlook y OECD Skills Outlook), la OCDE establece un marco de reconversión laboral (upskilling y reskilling) enfocado en evitar el desplazamiento masivo de mano de obra y acelerar la productividad en sectores altamente expuestos como la logística.

Para los líderes de negocio (CEO/CTO) en la cadena de suministro, las recomendaciones clave de la OCDE se estructuran en cinco ejes estratégicos:

1. Transición hacia la complementariedad y la gestión de la IA (Human-in-the-Loop)

  • De la ejecución manual a la supervisión cognitiva: La OCDE enfatiza que la formación debe dejar de centrarse en tareas rutinarias que los sistemas automatizados ya resuelven (ruteo básico, entrada de datos, inventario predictivo) para enfocarse en la auditoría de modelos, la gestión de excepciones y la toma de decisiones no estructuradas.
  • Competencias híbridas (técnico-operativas): Se requiere dotar al personal de logística tradicional (operadores de tráfico, planificadores de demanda, agentes aduanales) de conocimientos fundamentales de alfabetización de datos (data literacy) para evaluar cuándo la sugerencia de un algoritmo o modelo generativo contiene inconsistencias o “alucinaciones” operativas.

2. Adopción de aprendizaje modular y microcredenciales dinámicas

  • Superar los ciclos educativos tradicionales: Dado que las capacidades de la IA evolucionan más rápido que las revisiones curriculares convencionales, la OCDE recomienda implementar esquemas de microcredenciales certificadas y módulos de capacitación de corta duración.
  • Reconocimiento de aprendizajes previos: Validar y certificar las habilidades empíricas que los trabajadores de la logística ya poseen, permitiéndoles escalar horizontalmente hacia funciones de gestión algorítmica sin requerir grados académicos de larga duración.

3. Mitigación de la brecha de adopción en las PyMEs logísticas

  • Público-privado como catalizador: Las grandes corporaciones logísticas absorben la reconversión con mayor agilidad, pero la red de subcontratistas y PyMEs suele quedar rezagada. La OCDE sugiere subsidios gubernamentales y consorcios empresariales para compartir plataformas de capacitación en IA.
  • Reducción de barreras de costo y tiempo: Establecer mecanismos de incentivos fiscales para que las pequeñas y medianas empresas puedan capacitar a sus empleados en horas laborales sin penalizar la productividad ni el salario.

4. Inteligencia de mercado laboral basada en datos (Labour Market Intelligence)

  • Anticipación de déficit de competencias: Usar herramientas de analítica avanzada para mapear en tiempo real qué perfiles logísticos están perdiendo demanda (ej. captura manual de manifiestos) y cuáles están entrando en escasez crítica (ej. analistas de ciberseguridad en transporte, especialistas en ética y gobernanza de datos en supply chain).
  • Orientación ocupacional personalizada: Implementar servicios públicos y corporativos de orientación profesional para guiar a los trabajadores en riesgo de automatización hacia trayectorias de carrera con alta demanda dentro de la misma industria.

5. Diálogo social y gobernanza compartida de la automatización

  • Participación de los trabajadores en la implementación tecnológica: La OCDE documenta que la adopción de IA y gestión algorítmica tiene mayor tasa de éxito y menor fricción cuando las plantillas operativas participan activamente en el diseño de los nuevos flujos de trabajo.
  • Protección del empleo durante la transición: Garantizar un marco legal que combine flexibilidad en la adopción tecnológica con redes de seguridad activas (subsidios de reconversión laboral) que protejan el ingreso del trabajador mientras adquiere las nuevas competencias requeridas.

En el plano ejecutivo, las directrices de la OCDE confirman que la ventaja competitiva en logística no proviene de la automatización por despojo, sino del aumento de las capacidades del trabajador experto. Invertir en reconversión laboral es la mejor estrategia de mitigación de riesgos operacionales frente a los límites de la tecnología.

La inteligencia artificial en los procesos de negocio

Nota de referencia: El marco conceptual de este análisis se fundamenta en las tesis sobre la arquitectura y la epistemología de la computación desarrolladas por Arnulfo Pérez en su ensayo en inglés Three Waves of AI.

Para comprender el impacto real de la inteligencia artificial en los procesos de negocio de la logística contemporánea, es imprescindible evaluar la tecnología a través de una doble lente: la arquitectura del software que la impulsa y la estructura epistemológica con la que la máquina procesa e infiere la realidad. Como director de tecnología (CTO), me encuentro a diario con una fascinación corporativa desmedida que tiende a confundir la fluidez sintáctica de las herramientas avanzadas con una verdadera comprensión del mundo físico. La IA es, sin lugar a dudas, la fuerza más disruptiva que ha tocado a la cadena de suministro global en los últimos cincuenta años; sin embargo, no elimina —y por el contrario, vuelve más crítico que nunca— el papel de los expertos de dominio que conocen a fondo la operación real para evitar que los modelos generen alucinaciones operativas y costosas disparates.

La evolución de la inteligencia artificial, conceptualizada históricamente por organismos de vanguardia como DARPA a través de las “Tres Olas de la IA”, explica con claridad este choque entre la teoría computacional y la realidad operativa. La primera generación, conocida como la IA Simbólica o GOFAI (Good Old-Fashioned AI), se construyó sobre una premisa cartesiana: el conocimiento se define mediante la lógica formal y reglas deterministas del tipo SI… ENTONCES. Durante décadas, la logística intentó automatizar almacenes (WMS) y sistemas de gestión de transporte (TMS) con estos motores rígidos. Aunque impecables en entornos cerrados, estos sistemas padecían el cuello de botella de la adquisición del conocimiento: carecían de capacidad inductiva. Si una huelga portuaria, una disrupción meteorológica o un cambio regulatorio en aduanas no estaba programado explícitamente en el árbol deductivo, el software no degradaba su rendimiento de forma elegante; colapsaba catastróficamente.

El panorama cambió radicalmente con la maduración de la Tercera Ola de la IA, cimentada sobre la adaptación contextual y el razonamiento generativo. El punto de inflexión indiscutible ocurrió en junio de 2017 dentro de Google Brain, cuando un equipo de ocho investigadores —Jakob Uszkoreit, Ashish Vaswani, Niki Parmar, Illia Polosukhin, Aidan Gomez, Llion Jones, Łukasz Kaiser y Noam Shazeer— publicó el célebre artículo Attention Is All You Need.

Estos ingenieros no buscaban reemplazar la intuición ejecutiva ni rediseñar la economía global; intentaban resolver un problema técnico exasperante: la lentitud de las redes neuronales recurrentes (RNN) y las memorias de corto y largo plazo (LSTM), que procesaban el lenguaje palabra por palabra de forma secuencial. Esa rigidez secuencial impedía la paralelización masiva en las unidades de procesamiento gráfico (GPU) y hacía que las señales matemáticas del inicio de un texto se desvanecieran al llegar al final.

Al desechar la recurrencia e introducir el mecanismo de autoatención (self-attention), la arquitectura Transformer permitió que los modelos evaluaran un cuerpo entero de información de forma simultánea. El Transformer no solo revolucionó la traducción automática; creó un motor universal de reconocimiento de patrones capaz de tokenizar textos, rutas, telemetría de flotas, manifiestos de carga y secuencias genéticas dentro de espacios semánticos latentes.

En el sector logístico de 2026, esta Tercera Ola ha permitido integrar modelos de lenguaje de gran escala (LLM), IA neuro-simbólica y bucles de generación aumentada por recuperación (RAG) que coordinan operaciones complejas en tiempo real. Hoy en día, una plataforma inteligente puede analizar miles de variables heterogéneas —desde condiciones climáticas y costos de combustible hasta restricciones aduaneras— para redactar planes de contingencia o procesar documentación multimodal en segundos.

Aquí radica, no obstante, la gran trampa epistemológica. Los modelos basados en Transformers operan sobre distribuciones de probabilidad en espacios latentes; no poseen una representación física del mundo ni entienden la ley de la gravedad, la vida útil de un producto perecedero o la fragilidad geopolítica de un paso fronterizo. La máquina optimiza la coherencia estadística del patrón, no la verdad del mundo real.

Cuando un sistema de IA generativa se despliega en la gestión logística sin la supervisión directa de un experto de dominio —un veterano de la cadena de suministro, un agente aduanal experimentado o un director de operaciones portuarias—, la tecnología produce alucinaciones que en el papel lucen brillantes, pero que en la práctica resultan desastrosas. Un modelo puede sugerir una consolidación de carga óptima en términos de volumen abstracto, ignorando que la combinación de ciertas sustancias químicas viola normativas internacionales de transporte de materiales peligrosos. Puede diseñar una ruta multimodal matemáticamente eficiente que pretenda cruzar una frontera fuera del horario de operación aduanera o a través de un puerto sin la infraestructura de grúas requerida para el calado de un buque específico.

El experto de dominio actúa como la ancla de realidad que la IA probabilística no posee. Mientras que el algoritmo aporta una capacidad sin precedentes para sintetizar datos masivos y sugerir alternativas operativas a una velocidad que ningún equipo humano podría igualar, el profesional de logística aporta la validación contextual, el juicio crítico y la responsabilidad ética y legal del resultado.

La integración exitosa de la IA en los procesos de negocio no consiste en reemplazar el factor humano por un oráculo informático, sino en construir un ecosistema colaborativo donde la máquina expanda las capacidades cognitivas del especialista y el especialista actúe como la barra de contención contra las inconsistencias del modelo. Las empresas que asumen que la automatización generativa permite prescindir del conocimiento operativo profundo pronto descubren que el costo de corregir una alucinación en la ejecución física supera con creces cualquier ahorro teórico en mano de obra. La IA transforma la logística de manera irreversible, pero la sabiduría del proceso sigue perteneciendo a quienes entienden la diferencia entre un patrón de datos y la realidad del terreno.

La IA no anula el juicio humano

Nota del autor: Este trabajo expande la perspectiva analítica abordada en el ensayo original en inglés disponible en Medium.

Los propios arquitectos de los modelos de inteligencia artificial afirman que la tecnología representa una amenaza existencial para la especie, al tiempo que insisten en que solo sus corporaciones poseen la legitimidad para construirla, administrarla y contenerla. En su obra The Coming Wave: Technology, Power, and the Twenty-First Century’s Greatest Dilemma (2023), Mustafa Suleyman expone una prognosis inquietante. Argumenta que la inteligencia artificial y la biología sintética constituyen una «superola» caracterizada por su hiper-evolución, capacidad omni-uso, perturbación asimétrica y autonomía inédita.

El planteamiento de Suleyman descansa sobre un dilema ineludible de teoría de juegos: la competencia voraz entre estados y fuerzas de mercado vuelve imposible pausar este avance, pero la incapacidad de contenerlo garantiza la desintegración institucional. El discurso de la contención corporativa padece una esquizofrenia estructural. Prescribe como remedio un cartel autorregulado de élites de Silicon Valley que se autoproclaman los «adultos en la habitación», desplazando la gobernanza democrática en favor de un feudalismo tecnocrático.

Desde la perspectiva de la dirección tecnológica corporativa (CTO), este diagnóstico yerra en su premisa fundamental sobre la naturaleza de la computación y la arquitectura de organizaciones. La inteligencia artificial es una tecnología innegablemente disruptiva, pero bajo ninguna circunstancia anula ni sustituye el juicio humano. Desentrañar esta falacia exige examinar la economía de la captura regulatoria, la realidad técnica del software de código abierto, la reingeniería de procesos de negocio (BPM) y la naturaleza irreductible de la toma de decisiones ejecutiva.

Desde una lectura estrictamente económica y operativa, la narrativa del riesgo existencial desmedido funciona con frecuencia como un mecanismo clásico de rentismo y captura regulatoria (regulatory capture). En la primera mitad de su argumento, Suleyman reconoce que el costo marginal de la inferencia y del procesamiento de inteligencia tiende a cero. Los repositorios públicos y los servidores de prepublicaciones científicas han democratizado el conocimiento, creando un motor global de innovación distribuida.

Sin embargo, las soluciones propuestas bajo el rótulo de «contención desde el diseño» —licenciamiento estatal de laboratorios, auditorías de clústeres de GPU y monitoreo masivo del cómputo (FLOPS)— requieren barreras de entrada tan elevadas que solo un oligopolio de megacorporaciones con capital para absorber cientos de millones de dólares en cumplimiento regulatorio puede sobrevivir.

Esta postura encierra dos inconsistencias críticas:

  • La falla en la teoría de juegos: Si los estados-nación operan en un entorno de suma cero —donde si Occidente frena, otros actores aceleran—, resulta ilusorio asumir que un cartel privado de laboratorios suspenderá voluntariamente el desarrollo al alcanzar ciertos umbrales de riesgo. En un mercado global con incentivos billonarios, cualquier pausa autorregulada simplemente transfiere el liderazgo a competidores no restringidos.
  • El rentismo tecnocrático: Al asumir que las instituciones públicas son inflexibles, analfabetas tecnológicas e incapaces de legislar, la industria propone una suerte de era post-regulatoria. Las corporaciones no solo construyen la infraestructura, sino que definen los parámetros de seguridad, monitorean el uso y alquilan el acceso a una sociedad dependiente.

Lo que se presenta como «custodia responsable» no es más que la construcción de un foso corporativo insuperable (corporate moat), retirando la escalera al resto del ecosistema bajo el pretexto moral de salvar al mundo de la extinción.

Cualquier evaluación rigurosa del diseño de sistemas revela que el concepto de «contención» propuesto por la tecnocracia adolece de una incomprensión fundamental sobre la teoría de la información y la naturaleza del software. Suleyman cita con frecuencia la no proliferación nuclear como precedente histórico. No obstante, las armas atómicas dependen de insumos físicos escasos, altamente rastreables y de compleja refinación industrial (uranio enriquecido, centrifugadoras masivas).

Los modelos de inteligencia artificial, por el contrario, son matrices de números en coma flotante, código y pesos sinápticos almacenados en silicio. En el instante en que los pesos de un modelo se filtran o se liberan como código abierto —como ha ocurrido con LLaMA o los modelos de Stable Diffusion—, la tecnología se vuelve infinitamente reproducible a costo marginal cero. Pretender confinar un software una vez que ha salido del laboratorio exigiría instalar mecanismos de rastreo a nivel de raíz (root-level) en cada GPU y servidor del planeta, inspeccionar los flujos de datos cifrados globalmente y criminalizar el intercambio libre de código algorítmico.

Prometer que los laboratorios pueden instalar kill-switches definitivos o certificar matemáticamente que una red neuronal no alucinará ni será vulnerada mediante jailbreaks no es una hoja de ruta de ingeniería; es una narrativa comercial. Las redes neuronales profundas son cajas negras estocásticas. Manejamos sus gradientes y sus funciones de pérdida, pero no poseemos una prueba analítica absoluta sobre sus comportamientos emergentes.

El caso de la Logística

La prueba más clara de que la IA no elimina el juicio humano se observa cuando analizamos la integración de estos modelos en la Gestión de Procesos de Negocio (BPM, Business Process Management), especialmente en áreas críticas de alta variabilidad como la logística y la cadena de suministro global.

En la arquitectura de procesos logísticos, la IA ha demostrado ser una palanca de optimización matemática sin precedentes. Los algoritmos predictivos y de aprendizaje profundo transforman los flujos operacionales tradicionales:

  • Pronóstico de demanda y gestión de inventario: Ajustan automáticamente los niveles de stock en almacenes regionales mediante el análisis en tiempo real de patrones históricos, variables meteorológicas y tendencias macroeconómicas.
  • Ruteo dinámico y despacho automatizado: Reorganizan flujos de transporte marítimo, aéreo y terrestre, calculando rutas óptimas que minimizan el consumo de combustible y evitan cuellos de botella en puertos o aduanas.
  • Procesamiento de eventos en tiempo real (Complex Event Processing): Monitorean la telemetría de flotas y cadenas de frío para anticipar fallas mecánicas o desviaciones de temperatura antes de que la mercancía se eche a perder.

Sin embargo, desde la perspectiva de BPM, un proceso de negocio no consiste únicamente en la ejecución automatizada de tareas estandarizadas; se compone de gobernanza, gestión de excepciones y alineación estratégica. Es en la interfaz entre la automatización y la excepción donde el límite de la IA queda al descubierto.

Cuando ocurre un evento de «cisne negro» —un conflicto geopolítico que bloquea un canal marítimo clave, un quiebre masivo de proveedores por insolvencia o una huelga portuaria inesperada—, los modelos probabilísticos colapsan porque la nueva realidad no se encuentra dentro de su distribución de datos históricos (out-of-distribution). El algoritmo puede recalcular rutas basándose en costos y distancias, pero carece de la capacidad para negociar prioridades estratégicas con clientes clave, evaluar el impacto regulatorio de cambiar de jurisdicción aduanera o ponderar el riesgo reputacional de suspender el suministro a un mercado específico.

En la reingeniería moderna de procesos logísticos, la IA actúa como un motor de orquestación de alta velocidad, pero la arquitectura del proceso exige mantener al humano en el bucle (Human-in-the-Loop). La IA genera recomendaciones multiobjetivo; el líder de operaciones o el ejecutivo de logística ejerce el juicio estratégico para sopesar concesiones incalculables: ¿privilegiamos el margen financiero inmediato, la continuidad de la relación a largo plazo con el cliente o la sostenibilidad de la red de transporte? La decisión final y la responsabilidad sobre el proceso siguen siendo atributos exclusivamente humanos.

Tanto en la gestión de la cadena de suministro como en la dirección general de tecnología, la tesis central cobra una relevancia operativa ineludible: la IA procesa información y reconoce patrones, pero no posee juicio.

Los modelos de lenguaje y las arquitecturas profundas son optimizadores matemáticos extraordinarios. Destacan en la automatización de tareas cognitivas repetitivas y en la reducción del rozamiento operacional. Sin embargo, confundir la fluidez sintáctica o la precisión predictiva con la comprensión ontológica o la responsabilidad ejecutiva es un error de categoría.

En la toma de decisiones organizacionales, el juicio humano abarca dimensiones que escapan a la optimización estadística:

  • La atribución de responsabilidad y rendición de cuentas: Un algoritmo puede generar una recomendación arquitectónica, un diagnóstico de inventario o una ruta de distribución. No obstante, el modelo no asume el riesgo moral, legal ni financiero del resultado. La responsabilidad es una cualidad estrictamente humana e intencional; no se computa.
  • La evaluación contextual y el sentido común intuitivo: La IA opera sobre datos de entrenamiento previos. Ante escenarios imprevistos donde la distribución histórica carece de validez, la inferencia estadística genera alucinaciones verosímiles. El juicio humano permite extrapolar mediante principios primarios, empatía y comprensión del entorno social.
  • La definición de propósito e intencionalidad: La IA optimiza en función de una función de pérdida impuesta externamente. La capacidad de cuestionar la métrica misma, de decidir por qué se resuelve un problema y de juzgar si la meta es éticamente deseable recae exclusivamente en la conciencia humana.

Tratar a la IA como un oráculo autárquico al que se le delega la gobernanza operacional o la dirección estratégica es una abdicación del pensamiento crítico. Las herramientas cognitivas amplifican el alcance del intelecto, pero la brújula que orienta su aplicación sigue estando anclada en el criterio de las personas.

Hacia una gobernanza técnica y democrática

El dilema de nuestro tiempo no debe reducirse a una elección binaria entre el caos tecnológico descontrolado y el control tecnocrático oligopólico. La respuesta ante la disrupción de la inteligencia artificial no consiste en entregar la llave del granero a los mismos actores que encendieron la chispa.

Una gobernanza madura, técnicamente viable y democrática exige articular tres pilares esenciales:

  1. Infraestructura pública de cómputo: Desarrollar capacidades de supercómputo estatales y académicas para que la investigación soberana y la auditoría de modelos no dependan de las plataformas de las megacorporaciones tecnológicas.
  2. Protección explícita del código abierto: Salvaguardar la libertad de investigar, auditar y desarrollar software independiente, garantizando que el conocimiento no sea monopolizado tras muros de pago o licencias restrictivas.
  3. Responsabilidad legal transparente y rediseño de BPM: Establecer marcos claros de responsabilidad civil y penal para los desarrolladores y desplegadores de sistemas, integrando la gobernanza del juicio humano como requisito explícito en la automatización de procesos críticos de negocio.

La inteligencia artificial está reconfigurando la economía global, la logística y la producción científica. Sin embargo, su capacidad para procesar información a velocidades pasmosas no reemplaza la necesidad de líderes, ingenieros y ciudadanos capaces de ejercer un juicio independiente, ético y riguroso. El futuro de la tecnología debe responder a las necesidades de la sociedad en su conjunto, y no a los imperativos de un consejo privado de administradores ilustrados.

Citas y referencias clave

  • Suleyman, Mustafa, con Bhaskar, Michael. (2023). The Coming Wave: Technology, Power, and the Twenty-First Century’s Greatest Dilemma. Crown / Penguin Random House.
  • Altman, Sam. (2023). Testimonio ante el Subcomité del Senado de los EE. UU. sobre Privacidad, Tecnología y Ley. 16 de mayo de 2023.
  • Musk, Elon. (2023–2024). Declaraciones públicas sobre xAI, modelos de código abierto y regulación de la IA.
  • Davenport, Thomas H. (2018). The AI Advantage: How to Put the Artificial Intelligence Revolution to Work. MIT Press.
  • Arendt, Hannah. (1951). The Origins of Totalitarianism. Schocken Books. (Analizada en relación con la retórica estructural del riesgo existencial y la centralización del poder).
  • Unión Europea. (2024). Reglamento de Inteligencia Artificial (AI Act). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo.

Manufactura esbelta

Manufactura Esbelta o Lean Manufacturing es una filosofía de gestión enfocada a la reducción de los 7 tipos de “desperdicios” (sobreproducción, tiempo de espera, transporte, exceso de procesado, inventario, movimiento y defectos) en productos manufacturados. Eliminando el despilfarro, la calidad mejora y el tiempo de producción y el costo, se reducen.

ANÁLISIS DE IMPACTO

Gestión de la Disponibilidad
Control del Proceso

La Gestión de la Disponibilidad debe elaborar periódicamente informes sobre su gestión que incluyan información relevante tanto para los clientes como para el resto de la organización TI.

Juan Gaspar Martínez
Doctor Ingeniero de Telecomunicación
Socio Director de Infosafe

Continue reading “ANÁLISIS DE IMPACTO”

La industria mueblera en México

 

La industria mueblera
en México requiere de renovación a fondo

La falta de tecnología, de diseño, financiamiento y la competencia del exterior, son algunos factores que la afectan; si ésta no se moderniza, el país estará inundado de empresas extranjeras.

Opciones reales

Opciones reales

Las razones financieras

Las razones financieras son indicadores utilizados en el mundo de las finanzas para medir o cuantificar la realidad económica y financiera de una empresa o unidad evaluada, y su capacidad para asumir las diferentes obligaciones a que se haga cargo para poder desarrollar su objeto social. Continue reading “Las razones financieras”

La mercadotecnia en Monterrey

La mercadotecnia en las PYMES y su influencia en el crecimiento de utilidades

El crecimiento de utilidades no está en función del Manejo del Producto, Servicio al Cliente y Manejo del Precio; es decir, las actividades del área de mercadotecnia utilizadas por el empresario no son significativas para
lograr un crecimiento favorable en las utilidades.