Qué ha cambiado ahora

La NASA anunció el 21 de agosto de 2026 que el Telescopio Espacial Nancy Grace Roman había completado su revisión de preparación para el vuelo. En este control formal, responsables de la NASA, de la misión y de SpaceX evaluaron el estado del observatorio y autorizaron el inicio de las actividades finales de preparación del lanzamiento.

El lanzamiento está previsto para no antes del 30 de agosto a las 7:26 de la mañana, hora del este de Estados Unidos, a bordo de un cohete Falcon Heavy. Antes, el observatorio, ya protegido dentro de la cofia del cohete, será trasladado al hangar de la plataforma 39A, conectado al vehículo y llevado hasta la zona de lanzamiento.

La revisión no garantiza el despegue en esa fecha exacta, ya que las condiciones técnicas y meteorológicas todavía pueden modificar el calendario. La novedad es que el proyecto ha superado el control formal necesario para pasar de la preparación a las operaciones de lanzamiento.

Por qué es importante

Roman se ha construido para observar grandes regiones del cielo con un detalle comparable al del Hubble. Su campo de visión infrarrojo será unas 200 veces mayor, lo que permite pasar de fotografiar pequeñas zonas a crear mapas amplios y repetidos del universo.

Esos mapas ayudarán a estudiar cómo se expandió el universo, dónde se concentra la materia oscura y qué tipos de planetas existen fuera del sistema solar. Roman también llevará un coronógrafo, un instrumento que reduce la luz de una estrella para revelar objetos mucho más débiles a su alrededor, como planetas y discos de formación planetaria.

La consecuencia concreta es una mayor velocidad de descubrimiento. Fenómenos poco frecuentes, como explosiones estelares, lentes gravitacionales y planetas detectados mediante pequeñas variaciones de luz, resultan más fáciles de encontrar cuando el observatorio sigue millones o miles de millones de objetos de forma coherente.

El desafío no termina en la cámara

El material oficial de la misión calcula que Roman transmitirá aproximadamente 1,4 terabytes de datos científicos al día, más de 500 terabytes al año y hasta 20 petabytes durante los cinco años de su misión principal. Un petabyte equivale a mil terabytes. A esta escala, descargar todo el material en un ordenador personal deja de ser viable.

Por eso la infraestructura científica se preparó antes del lanzamiento. Roman Research Nexus reúne datos, capacidad de cálculo y herramientas de análisis en un entorno de nube. En lugar de transportar enormes conjuntos de archivos, los investigadores llevan sus métodos al lugar donde están almacenados los datos.

Los datos oficiales también se publicarán sin un periodo exclusivo para un solo equipo. Un grupo en Brasil, por ejemplo, podrá consultar partes concretas del archivo, combinar observaciones y colaborar con otros países sin conservar una copia local de toda la misión. El acceso abierto amplía la participación, pero solo funciona si los archivos, metadatos, versiones y criterios de calidad son coherentes.

Qué pueden aprender las empresas

Roman ofrece una lección que va mucho más allá de la astronomía: cuando el volumen crece, limpiar los datos únicamente después de recibirlos resulta caro y retrasa su uso. La calidad, la estandarización, la trazabilidad, las reglas de acceso y el contexto deben diseñarse junto al producto o servicio que genera la información.

Aquí aparece la conexión natural con el Saneamiento de Datos. Corregir duplicados y formatos incompatibles es importante, pero el objetivo mayor es crear una base en la que personas y sistemas puedan confiar. Sin esa base, la inteligencia artificial y la automatización solo procesan inconsistencias a mayor velocidad.

También existe una lección organizativa. Las misiones de esta escala conectan especialistas en instrumentos, operaciones, datos e investigación alrededor de una entrega continua. En una empresa, una Célula de Tecnología puede cumplir una función parecida: reunir capacidades distintas, convertir una prioridad en una operación y mejorar el sistema a medida que el uso real produce nuevo conocimiento.

Qué está cambiando en los contratos

Un reportaje de Reuters publicado el 20 de agosto describe cómo proveedores indios de servicios tecnológicos pasan de contratos basados en horas y tamaño del equipo a acuerdos vinculados con el rendimiento. El cambio ocurre en una industria estimada en 315.000 millones de dólares mientras los clientes exigen más productividad y menores costes.

Esto no significa que todos los proyectos adoptarán el mismo modelo comercial. Indica que la inteligencia artificial obliga a clientes y proveedores a definir con más claridad qué resultado se entregará, cómo se medirá y quién asumirá el riesgo cuando la promesa no se cumpla.

El resultado debe definirse antes que la tecnología

Pagar por resultados parece sencillo, pero exige una línea de base fiable. Reducir el tiempo de atención, disminuir el retrabajo o aumentar la disponibilidad solo puede demostrarse cuando la empresa conoce el rendimiento actual y acuerda cómo medir la evolución.

Sin datos consistentes y criterios de aceptación, la organización puede cambiar una métrica imperfecta, como las horas trabajadas, por otra igualmente frágil. El contrato debe registrar alcance, excepciones, calidad esperada y responsabilidad humana, además del indicador principal.

El trabajo humano cambia de posición

La tendencia no elimina la importancia de las personas. Desplaza más valor hacia comprender el problema, revisar decisiones, organizar el conocimiento del negocio y validar lo que produjo la automatización. Los equipos pequeños pueden ganar velocidad, pero la experiencia sigue siendo esencial cuando las situaciones reales superan el piloto.

En un análisis publicado el 12 de agosto, OpenAI señala que las empresas avanzan desde la IA como asistencia hacia flujos en los que los agentes ejecutan partes del trabajo. El análisis también recomienda contexto adecuado, permisos claros, gobernanza y revisión humana para convertir usos individuales en procesos repetibles.

Cómo experimentar sin prometer demasiado

El camino más seguro es elegir un proceso delimitado, medir el punto de partida y ejecutar un piloto con responsabilidad definida. Solo después de observar calidad, coste, adopción y efectos imprevistos conviene ampliar la automatización o vincular el pago al resultado.

• Definir un resultado de negocio que pueda medirse sin ambigüedad.
• Registrar la línea de base, las fuentes de datos y sus responsables.
• Establecer criterios de aceptación, revisión humana y manejo de excepciones.
• Acompañar errores, retrabajo, coste total e impacto para los usuarios.
• Revisar el contrato cuando cambien el contexto o los datos.

Lo que anunció Brasil

El Laboratorio Nacional de Computación Científica informó que dirige la implantación de una nueva supercomputadora de inteligencia artificial en el Parque Científico y Tecnológico Augusto Severo, en Macaíba, Rio Grande do Norte. La selección pública estima cerca de R$ 959 millones para la solución integrada dentro de un conjunto más amplio de iniciativas federales de infraestructura de IA.

Por qué importa una supercomputadora

Los modelos avanzados de IA necesitan gran capacidad para aprender de grandes volúmenes de información y responder después a nuevas solicitudes. Una infraestructura nacional puede apoyar a universidades, organismos públicos y proyectos de innovación que hoy dependen de recursos escasos o contratados en el exterior.

Los datos también son infraestructura

La capacidad de procesamiento no compensa información duplicada, incompleta o sin origen conocido. Cuanto mayor es la inversión en IA, mayor es la necesidad de organizar las bases, definir responsables, controlar el acceso y registrar cómo se obtuvo y transformó cada dato.

El impacto no será automático

La adquisición todavía está en curso y los resultados dependerán de la implantación, la energía, la conectividad, la capacitación y las reglas de acceso. El anuncio abre una nueva capacidad, pero no garantiza mejores productos, investigaciones o servicios públicos sin una estrategia de uso definida.

Lo que pueden aprender las organizaciones

Las grandes plataformas generan valor cuando infraestructura, personas y prioridades evolucionan como un solo sistema. Antes de ampliar la capacidad, las organizaciones pueden elegir problemas relevantes, preparar los datos que los sostienen y definir cómo medir resultados, seguridad y continuidad.

Programar empieza a parecer una conversación

Las herramientas de IA ya permiten describir una idea con lenguaje cotidiano y recibir pantallas, automatizaciones o una aplicación inicial. Google incorporó este modo de creación a su certificado profesional de IA, una señal de que la práctica está dejando de ser solo un experimento de especialistas.

Más personas pueden convertir problemas en prototipos

Profesionales de operaciones, atención, logística o ventas pueden probar soluciones sin esperar el inicio de un proyecto completo. Esto acerca la creación a quienes conocen el problema y puede mejorar el descubrimiento, siempre que el prototipo sea tratado como aprendizaje y no como producto terminado.

Prototipo y producción son etapas diferentes

Una demostración puede funcionar con pocos ejemplos y fallar después con datos reales, muchos usuarios o situaciones inesperadas. El análisis de Stack Overflow destaca que la escala, la arquitectura, la seguridad y el mantenimiento todavía dependen del criterio experto y del conocimiento del negocio.

El riesgo invisible está en las decisiones no explicadas

La IA puede elegir estructuras, bibliotecas o reglas que el usuario no solicitó. Sin revisión, una aplicación aparentemente sencilla puede almacenar datos de forma inadecuada, crear dependencias frágiles o generar resultados diferentes del proceso que debía representar.

Cómo pueden usar este cambio las empresas

El camino más seguro combina la velocidad del prototipo con una Célula de Tecnología capaz de validar intención, datos y operación. Entornos controlados, criterios de prueba, revisión humana, control de acceso y un responsable del ciclo de vida forman parte del producto desde el inicio.

Las líneas blancas también afectan al clima

Las estelas de condensación se forman cuando el vapor liberado por los motores encuentra aire muy frío a gran altitud. Algunas desaparecen rápidamente; otras persisten, se extienden como nubes finas y pueden retener calor que saldría de la superficie terrestre.

Lo que probará la Operación Blue Skies

El programa de 30 meses prevé pruebas operativas durante los inviernos de 2026/27 y 2027/28 sobre una parte del Atlántico Norte. Durante las pruebas, una pequeña parte de los vuelos que encuentre condiciones favorables a estelas persistentes podrá recibir ajustes leves de altitud dentro de los procedimientos normales de seguridad.

Dónde interviene la inteligencia artificial

Los modelos combinan previsiones meteorológicas y observaciones anteriores para señalar regiones donde las estelas tienen mayor probabilidad de persistir y calentar el clima. Imágenes de satélite y análisis posteriores verificarán lo ocurrido sin tratar la previsión como prueba del resultado.

Por qué la prueba necesita gran escala

Una recomendación que funciona en pocos vuelos puede comportarse de otra manera en un corredor con miles de operaciones, controladores, aerolíneas y condiciones meteorológicas variables. El Met Office, universidades y organizaciones de aviación apoyarán la evaluación de beneficio, coste, seguridad e incertidumbre.

Lo que pueden aprender las empresas

La innovación relevante no termina en el modelo de IA. Exige datos de calidad, integración con la operación, personas capaces de decidir, métricas independientes e implantación gradual. Este diseño reduce el riesgo de confundir una previsión prometedora con un resultado demostrado.

Qué ha cambiado

La autoridad neerlandesa de protección de datos impuso a Uber una multa de 824,99 millones de euros. Según el regulador, entre 2018 y 2022 los sistemas de la plataforma suspendieron cuentas de conductores, a veces de forma permanente, sin información adecuada y sin que una persona comprobara posibles errores.

La decisión se refiere al tratamiento automatizado: un sistema analiza datos y decide sin una participación humana significativa. Uber rechaza tanto las conclusiones como la cuantía, afirma que las prácticas examinadas son antiguas y sostiene que sus procesos actuales incluyen revisión humana y posibilidad de reclamación; la empresa ha anunciado un recurso.

La conclusión no es que toda automatización sea indebida. Es que la velocidad de una máquina también multiplica el efecto de datos deficientes, reglas incompletas o señales interpretadas sin contexto cuando el resultado puede interrumpir los ingresos de una persona.

Por qué importa

Para un conductor de plataforma, perder el acceso a la cuenta puede significar perder de inmediato su herramienta de trabajo. En otros sectores, decisiones parecidas pueden detener un pago, denegar crédito, excluir a una persona de un proceso de selección o impedir el acceso a un servicio esencial.

En Europa, la norma invocada en el caso protege a las personas frente a decisiones totalmente automáticas con efectos jurídicos o de importancia similar, salvo circunstancias específicas. En Brasil, la autoridad de protección de datos destaca que la LGPD reconoce el derecho a solicitar revisión y explicaciones sobre los criterios y procedimientos; en la práctica, la revisión humana solo sirve cuando quien revisa comprende el caso, ve la información relevante y tiene autoridad real para cambiar el resultado.

Pensemos en un sistema antifraude que bloquea una cuenta después de detectar un cambio inusual de ubicación. Sin contexto puede confundir un viaje legítimo con un riesgo; sin explicación ni vía de reclamación, la persona no puede corregir el dato o demostrar qué ocurrió. La eficiencia operativa se convierte entonces en un coste humano y reputacional.

Los datos fiables preceden a la automatización

Todo sistema de decisión depende de lo que recibe: valoraciones, historial, ubicación, documentos y señales de riesgo. El saneamiento de datos consiste en encontrar duplicados, registros obsoletos, campos incoherentes y contexto ausente antes de que esos datos alimenten reglas o modelos. No es solo ordenar una base; reduce la posibilidad de que un error operativo cause un perjuicio real.

También es necesario conocer el origen de cada dato y registrar cómo contribuyó a la decisión. Ese rastro permite investigar falsos positivos — casos legítimos marcados por error —, comparar resultados entre grupos y explicar el resultado en un lenguaje que una persona pueda entender.

Cuanto mayor sea la consecuencia, mayor debe ser el nivel de calidad. Un sistema que ordena contenidos puede admitir correcciones sencillas; otro que altera ingresos, crédito, salud o acceso a derechos necesita pruebas, seguimiento, documentación y vías rápidas de reversión.

Qué pueden aprender las empresas

La gobernanza no debe aparecer solo después de terminar la automatización. Una Célula de Tecnología puede reunir a producto, datos, operaciones, seguridad, legal y atención al cliente para decidir qué puede automatizarse, qué exige confirmación humana y cómo se informará a las personas afectadas.

El objetivo no es frenar toda innovación, sino decidir dónde la velocidad es segura. Cuando una organización combina datos saneados, límites claros y revisión humana auténtica, la automatización obtiene algo que un modelo no aporta por sí solo: legitimidad para actuar en situaciones que afectan a las personas.

• Mapear las decisiones automáticas y clasificar el impacto de cada una.
• Validar la calidad, el origen y el contexto de los datos antes de automatizar.
• Explicar los factores relevantes y ofrecer una reclamación accesible.
• Dar a los revisores humanos información, tiempo y autoridad para corregir resultados.
• Supervisar errores, reversiones y efectos desiguales con el paso del tiempo.