Innex Digest Julio 26
- Josep Mª Monguet Fierro
- hace 1 día
- 17 min de lectura
Análisis
De responder preguntas a diseñar decisiones
“La pregunta importante no es si la IA será capaz de decidir. Es si nosotros seremos capaces de diseñar bien las decisiones que compartiremos con ella”.
Decidir es anticipar
Una decisión es una apuesta sobre el futuro. Decidir es imaginar qué puede pasar después, estimar riesgos y actuar sin tener nunca toda la información. Esto es difícil. Por eso los superforecasters son tan valiosos: personas capaces de anticipar mejor que la media. Pero son pocos, cuestan tiempo y no pueden estar presentes en todas las decisiones de una organización.
Anticipar dejará de ser excepcional
La IA puede cambiar la escala del problema. Un estudio compara agentes de IA con superforecasters humanos en ámbitos como salud, tecnología o geopolítica. Los humanos todavía van por delante, pero algunos agentes especializados ya se acercan. La idea importante no es que la IA adivine el futuro. Es que la capacidad de anticipar podría dejar de ser un recurso raro y convertirse en una herramienta cotidiana.
El cambio entra en el día a día
La IA transformará espacios como Polymarket, Kalshi o Metaculus, donde predecir es una actividad explícita. Pero el cambio más interesante puede ocurrir en decisiones menos espectaculares: qué priorizo hoy, qué proyecto detengo, qué cliente necesita atención o si una nueva oportunidad vale realmente la pena. No va solo de responder mejor. Va de ayudarnos a decidir mejor.
El contexto es el salto
Una IA que responde una pregunta aislada puede ser útil. Pero una IA que entiende la agenda, los correos, los documentos, los proyectos y los compromisos puede hacer algo más valioso: ayudarnos a ver consecuencias. La pregunta deja de ser “¿qué sabes sobre esto?” y pasa a ser: “¿qué puede pasar si hago esto?”, “¿qué riesgo asumo?” o “¿qué decisión encaja mejor con lo que ya estoy intentando hacer?”.
De buscar información a preparar decisiones
La búsqueda científica con IA deja de ser una simple caja y empieza a encadenar pasos: buscar, contrastar, rastrear citas y combinar fuentes. En entornos de trabajo como Slack, los agentes ya pueden entrar en canales autorizados, leer contexto, conectarse a herramientas y ejecutar tareas. Aparece una nueva capa de trabajo: agentes que no solo informan, sino que preparan decisiones.
Más señales, no más magia
En salud, esta promesa es clara. La IA puede ayudar a detectar riesgo cardíaco en un ECG, preparar borradores de informes radiológicos o combinar más señales metabólicas en diabetes. Todo apunta en la misma dirección: más señales para anticipar mejor.
Acertar no es entender
Una respuesta plausible no es necesariamente una buena decisión. Algunos modelos pueden acertar una respuesta médica sin haber razonado bien, o construir una justificación convincente pero defectuosa.
El valor no es solo que la IA responda, es que ayude a formular mejor el problema, detectar qué falta y hacer visible el riesgo de cada opción.
El criterio también se puede perder
La ayuda automática puede tener un coste: dejar de practicar. Si un profesional delega demasiado en la IA, puede perder capacidad para detectar errores cuando la IA no está o se equivoca. La supervisión humana no puede ser solo una firma al final. Debe mantener vivo el criterio.
Los agentes necesitan límites
Un agente de IA conectado a correos, documentos o bases de datos no puede funcionar como una llave maestra. Debe entrar en la organización como un trabajador más: con identidad, permisos, límites y registro de acciones.
Diseñar la decisión
La decisión asistida por IA no es solo un problema de modelo. Es un problema de diseño: qué contexto puede utilizar la IA, qué acciones puede hacer, cuándo debe pedir validación, cómo deja rastro y quién responde si algo falla.
La IA quizá no cambiará las decisiones porque decida por nosotros, sino porque nos ayudará a anticipar mejor qué puede pasar después de cada decisión. Este es el cambio de fondo: pasar de herramientas que responden preguntas a sistemas que ayudan a construir escenarios, ver consecuencias y decidir con más criterio.
Salud
La FDA abre la puerta a LLMs orientados al paciente, pero dentro de límites clínicos muy estrechos.
La FDA ha autorizado UpDoc vía 510(k) como software medical device para dar apoyo a la gestión de medicación e insulina en adultos con diabetes tipo 2, con instrucciones basadas en un plan definido por el profesional sanitario. El paciente puede interactuar con la app mediante voz o texto, pero el sistema opera dentro de parámetros clínicos configurados por el profesional, incluyendo dosis, objetivos de glucosa y protocolos de seguridad. Los LLMs en salud pueden entrar en flujos clínicos regulados, pero solo con indicación concreta, supervisión profesional, límites funcionales, validación y control de cambios.
Los modelos de IA pueden acertar respuestas médicas sin haber razonado bien.
Un estudio en Nature Medicine ha sometido modelos frontera a pruebas adversariales en tareas médicas multimodales y muestra que los buenos resultados en benchmarks pueden ocultar fragilidad: algunos sistemas aciertan incluso cuando falta información clave, cambian con pequeñas variaciones del prompt o fabrican razonamientos convincentes pero defectuosos. La conclusión no es que la IA no pueda ayudar en medicina, sino que los rankings y tests habituales no bastan para demostrar preparación clínica real.
Los pacientes ya llevan la IA a terapia, y los psicólogos empiezan a ver sus riesgos.
Una encuesta de la American Psychological Association a más de 1.200 psicólogos de EE. UU. muestra que el 77% ya ha hablado con pacientes que habían usado IA como apoyo, el 39% ha visto casos de autodiagnóstico con IA y el 36% ha observado algún grado de dependencia de un chatbot. La APA alerta de que estos sistemas pueden reforzar conductas negativas o creencias delirantes y que no pueden tratar problemas psicológicos con el matiz de un profesional.
Una IA que detecta riesgo cardíaco en un ECG es autorizada por la FDA un año después de la publicación en Nature de los resultados.
EchoNext, desarrollada por NewYork-Presbyterian y Columbia, utiliza IA para analizar electrocardiogramas rutinarios e identificar pacientes con alto riesgo de enfermedad cardíaca estructural, que habitualmente requiere un ecocardiograma para confirmarse. El modelo, publicado en Nature en 2025, se ha entrenado con más de 1 millón de registros de ritmo cardíaco e imagen. Una prueba barata y habitual puede convertirse en una puerta de entrada para detectar antes patologías ocultas y priorizar exploraciones más avanzadas.
Los sensores de diabetes quieren pasar de medir glucosa a leer más señales metabólicas.
Empresas como Abbott, PercuSense y Biolinq trabajan en sensores multi-analito que podrían medir más biomarcadores que la glucosa, como cetonas u otras señales metabólicas relevantes para el control de la diabetes. La promesa es pasar de una monitorización centrada en una sola variable a una lectura más completa del estado metabólico. La implicación práctica es que el futuro de los sensores continuos no será solo “más datos”, sino decidir qué datos son clínicamente accionables y cómo se integran en la decisión profesional.
La IA puede ayudar a detectar lesiones, pero también puede hacer que el médico practique menos la mirada clínica.
Un estudio multicéntrico en centros de endoscopia observó que, después de introducir IA para ayudar a detectar pólipos en colonoscopias, la tasa de detección en exploraciones sin IA bajó del 28,4% al 22,4%. Los autores sugieren un posible riesgo de deskilling: la asistencia automatizada puede mejorar una tarea mientras se utiliza, pero reducir el ejercicio independiente de una habilidad clínica cuando el profesional trabaja sin ella.
La IA clínica ya no solo detecta imágenes: empieza a redactar borradores de informes.
Aidoc ha recibido la Breakthrough Device Designation de la FDA por First Read, una herramienta investigacional que analiza radiografías de tórax y genera texto preliminar de informe radiológico. La designación no es una aprobación ni autoriza la comercialización, pero sitúa el producto en un circuito regulador acelerado para tecnologías que podrían aportar mejoras relevantes en diagnóstico o cubrir necesidades clínicas no resueltas.
El estetoscopio empieza a salir de la consulta y a convertirse en un parche de monitorización continua.
Un estudio publicado en Nature Communications presenta AusculPatch, un parche wearable de auscultación que capta señales fisiológicas de banda ancha, incluyendo sonidos cardíacos, patrones respiratorios, ondas de pulso, flujo sanguíneo y sonidos de Korotkoff. El dispositivo se puede colocar en el pecho o sobre arterias periféricas y registró señales durante actividades cotidianas, lo que apunta a una auscultación más continua y contextual fuera de la consulta. La monitorización remota puede ir más allá de frecuencia cardíaca o saturación, pero aún habrá que validar su uso clínico.
Sociedad
Walmart ya no vende solo productos: también convierte los datos de compra en negocio publicitario.
El crecimiento del negocio de publicidad de Walmart hay que entenderlo dentro de un cambio más amplio de su modelo, donde el comercio electrónico, las suscripciones y la publicidad diversifican las fuentes de beneficio más allá de la venta directa de productos. El retail media se consolida como una nueva infraestructura de datos: monetizar no solo el espacio de venta, sino también la intención de compra, el comportamiento omnicanal y la relación directa con el consumidor.
Las agencias Five Eyes avisan: la IA puede hacer obsoletas las defensas cibernéticas en meses, no años.
Las agencias de ciberseguridad de los Five Eyes alertan de que la IA ya está acelerando la velocidad, escala y sofisticación de los ciberataques, y que las organizaciones deben revisar ahora su resiliencia, no esperar al próximo salto tecnológico. El comunicado reclama medidas urgentes: reducir exposición, aplicar parches más rápido, controlar identidades y accesos, revisar sistemas antiguos y ensayar la respuesta a incidentes. Para cualquier entorno con datos sensibles o agentes de IA conectados a herramientas internas, la seguridad no puede depender de confiar en el modelo, sino de una arquitectura preparada para limitar, detectar y contener errores o abusos.
Los modelos frontera entran en una fase de acceso controlado por criterios de seguridad nacional.
Anthropic tuvo que suspender el acceso a Fable 5 y Mythos 5 para personas extranjeras a raíz de una directiva de export control del gobierno de EE. UU., mientras OpenAI ha iniciado GPT-5.6 con una preview limitada a partners de confianza compartidos con el gobierno antes de un despliegue más amplio. Los dos casos apuntan a un cambio de fase: los modelos más capaces ya no se despliegan solo según calendario comercial, sino también bajo presión de criterios de seguridad nacional.
La búsqueda científica con IA empieza a funcionar como un agente, no como una simple caja de búsqueda.
Consensus ha anunciado que subirá el precio de Pro porque el producto ha pasado de hacer una búsqueda única a ejecutar múltiples búsquedas internas y encadenar herramientas como DOI search, citation crawling y collection search. El cambio es relevante porque muestra una evolución de los buscadores científicos con IA: ya no solo recuperan papers, sino que orquestan pasos de investigación para obtener resultados más amplios y completos.
La gobernanza de la IA también necesita deliberación ciudadana, no solo expertos.
DemocracyNext propone escalar la deliberación democrática en cinco dimensiones, participantes, niveles de gobernanza, procesos, impacto y calidad deliberativa, y analiza qué papel puede tener la IA en este proceso. El punto central es que escalar la deliberación no es solo un problema tecnológico: exige infraestructura cívica, instituciones estables y criterios para evitar que la tecnología sustituya el juicio democrático. Las decisiones sobre IA, datos y automatización deberían incorporar mecanismos deliberativos informados antes de que las decisiones tecnológicas ya estén cerradas.
Organizaciones
El “sabotaje” a la IA empresarial aparece cuando los empleados no confían en la estrategia de adopción.
Una encuesta de WRITER y Workplace Intelligence a 2.400 empleados del conocimiento y directivos muestra que el 29% de los empleados, y el 44% de la Gen Z, admiten haber “saboteado” la estrategia de IA de su empresa, incluyendo el uso de herramientas no aprobadas, la introducción de datos corporativos en herramientas públicas o la negativa a utilizar IA.
Las empresas ya no buscan solo el mejor modelo de IA: quieren controlar qué modelo hace cada tarea.
Databricks describe Unity AI Gateway como una capa de gobernanza para controlar qué modelos, agentes y servicios de IA pueden usar los equipos, enrutar peticiones, poner límites de gasto, configurar fallbacks y monitorizar uso, coste y riesgo. La plataforma también permite aplicar políticas sobre las peticiones y respuestas, con guardrails para riesgos como datos personales, prompt injection o contenido inseguro. El valor empresarial no estará solo en acceder a un buen modelo, sino en gobernar cuándo, cómo, por quién y con qué límites se utiliza cada servicio de IA.
Slack ya no es solo un chat de empresa: empieza a ser un espacio donde trabajan agentes de IA.
Anthropic ha lanzado Claude Tag para clientes Enterprise y Team: un agente que puede entrar en canales de Slack, leer el contexto autorizado, conectarse a herramientas, datos o repositorios, y ejecutar tareas cuando alguien lo menciona con @Claude. Los administradores pueden limitar a qué canales, herramientas y datos accede y consultar un registro de las acciones realizadas. La IA empresarial es un actor dentro de los flujos de trabajo, y esto obliga a gobernar permisos, datos, acciones y trazabilidad desde el primer día.
Un agente de IA debe entrar en los datos como un trabajador: con nombre, permisos y límites.
Cuando una empresa conecta un agente de IA a bases de datos internas, el riesgo es tratarlo como una máquina con una llave maestra que puede verlo todo. OWASP alerta de que la prompt injection puede alterar el comportamiento del modelo y provocar acceso no autorizado o exposición de información sensible; por eso recomienda aplicar control de privilegios y limitar el acceso al mínimo necesario. La prueba práctica es clara: si dos personas con permisos distintos hacen la misma pregunta, el agente solo debería ver aquello que cada una ya podía consultar.
La supervisión humana de la IA solo funciona si el criterio humano sigue entrenado.
El EDPS alerta de que la supervisión humana en decisiones automatizadas no puede reducirse a poner una persona al final del proceso, porque la decisión se vuelve cada vez más codependiente entre el sistema y el usuario. La investigación sobre automation bias y deskilling refuerza el mismo riesgo: si los profesionales confían demasiado en la salida de la IA o dejan de practicar el juicio propio, pueden perder capacidad para detectar errores.
Mercado
La carrera de la IA entre China y EE. UU. ya no se decide solo por el mejor modelo.
Un informe de JPMorgan sobre geopolítica defiende que la competencia entre EE. UU. y China en IA debe analizarse más allá de los modelos, incorporando hardware, energía, capital, política industrial, adopción, seguridad y uso militar. Según el informe, EE. UU. mantiene una ventaja global en modelos frontera, hardware y financiación, pero este liderazgo podría ser más frágil de lo que a menudo se presupone, ya que China gana peso en energía, difusión de ecosistema e integración industrial.
La adopción interna de la IA ya entra en fase de presupuesto y límites de consumo.
Tesla habría fijado un límite de 200 dólares semanales por empleado en gasto de herramientas de IA, según un memorándum interno recogido por The Information. La noticia no indica un freno a la IA, sino un cambio de fase: después de impulsar su uso interno, las empresas empiezan a tratar asistentes, agentes y herramientas de código como un gasto variable que necesita control.
La IA se acerca a una concentración de facto en dos capas: OpenAI y Anthropic arriba, NVIDIA abajo.
OpenAI y Anthropic ya concentran el 89% de los ingresos anualizados de una muestra de 34 startups líderes de IA, señal de que la capa de los modelos frontera se está concentrando muy rápidamente. Debajo, NVIDIA domina la infraestructura que hace posible este negocio: cerca del 90% de sus ingresos ya proceden del segmento Data Center. La IA parece un mercado lleno de aplicaciones, pero el valor estructural se concentra en pocos puntos de paso: quién controla los modelos y quién controla el cálculo.
La IA empresarial crea un nuevo trabajo clave: 6.000 personas en Microsoft para hacerla funcionar dentro de los clientes.
Según The Information, se prevén 6.000 empleados en Microsoft Frontier Company, orientada a ayudar a grandes clientes a desplegar aplicaciones de IA adaptadas a sus procesos, datos y objetivos. Esta línea sería una evolución del forward deployed engineering (FDE): equipos que trabajan dentro o muy cerca del cliente para convertir modelos de IA en sistemas operativos con retorno medible. La IA demanda perfiles capaces de hacer funcionar la IA en contextos reales, combinando ingeniería, negocio y cambio organizativo.
Regulación
Europa pone fecha al marcado de los contenidos generados por IA: entre el 2 de agosto y el 2 de diciembre de 2026.
La Comisión Europea ha publicado un código de práctica para ayudar a empresas y organizaciones a cumplir el artículo 50 del AI Act, que obliga a marcar y hacer detectable el contenido generado o manipulado por IA. La implicación es clara: publicar contenido con IA en Europa exigirá procesos de etiquetado, trazabilidad y responsabilidad editorial, no solo avisos genéricos.
La IA clínica no entra sola en el hospital: necesita gobernanza, evidencia y responsabilidad.
El Departamento de Salud de EE. UU. ha resumido las respuestas a una consulta pública sobre IA clínica y el mensaje es claro: no basta con tener modelos buenos, hay que saber cómo se evalúan, cómo se integran en los flujos asistenciales y quién responde por ellos cuando se utilizan. El sector pide más coordinación entre agencias, apoyo práctico para desplegar herramientas en entornos reales y criterios para medir si una IA es segura, útil y fiable en cada contexto clínico. Para proyectos como IAIA, la implicación es directa: el valor no está solo en generar documentos, sino en hacerlo dentro de un proceso validado, supervisado por los profesionales y con evidencia sobre calidad, tiempo, seguridad y adopción.
Los agentes de IA empiezan a ser tratados como representantes digitales con permisos y obligaciones.
El senador Mark Warner ha publicado el borrador del AI AGENT Act, una propuesta que reconoce el derecho de los usuarios a delegar acciones en agentes de IA ante grandes plataformas digitales. El texto exige registro ante la FTC, acceso revocable, protección de datos, trazabilidad de las acciones y un deber de actuar en el interés del usuario.
Cuando una IA consulta documentos, también puede tragarse instrucciones maliciosas escondidas dentro de un PDF, una web o un correo.
OWASP y Microsoft alertan de que la prompt injection no entra solo por la pregunta del usuario: también puede venir escondida dentro de webs, PDFs, correos o documentos que un sistema RAG recupera para responder. Esto significa que un asistente corporativo puede dar una respuesta factual correcta y, a la vez, haber obedecido una instrucción maliciosa incrustada en el material consultado. La prueba práctica es simple: los RAG empresariales no deben evaluarse solo por si aciertan la respuesta, sino por si saben tratar los documentos como fuentes de información y no como órdenes.
En salud digital, lo que promete el producto puede decidir si es wellness o dispositivo médico.
La FDA ha cerrado la warning letter contra Whoop después de que la empresa modificara Blood Pressure Insights y lo presentara como una estimación orientativa de bienestar, no como un medidor clínico de presión arterial. En 2025, la agencia había considerado que la función era un dispositivo médico no autorizado porque estimaba la presión arterial; ahora dice que no prevé aplicar los requisitos de dispositivo al producto modificado, de acuerdo con su política de wellness de bajo riesgo. Para cualquier proyecto de salud digital, la lección es directa: la frontera reguladora no depende solo de la tecnología, sino de la finalidad prevista, los textos comerciales, el etiquetado y el uso que se induce.
Europa quiere que la evaluación medtech sea menos imprevisible y más comparable entre organismos notificados.
La Comisión Europea ha publicado el Reglamento de Ejecución (UE) 2026/977 para establecer requisitos uniformes en las actividades de evaluación de conformidad de los organismos notificados bajo MDR e IVDR. La norma busca reducir diferencias de práctica, mejorar la predictibilidad de los plazos y costes, y hacer más transparente el proceso de certificación para los fabricantes. La implicación práctica es que la digitalización regulatoria medtech no debería limitarse a gestionar PDFs: necesita datos estructurados, trazabilidad y procesos comparables entre submissions, cambios postmarket y recertificaciones.
Tecnología
Los modelos abiertos de IA ya no solo compiten en precio: empiezan a ser opciones reales para código y agentes.
Z.ai ha presentado GLM-5.2, un modelo con pesos disponibles, licencia MIT y contexto de 1 millón de tokens, diseñado para tareas largas de código, agentes y uso de herramientas. Según los benchmarks publicados por el propio proveedor, GLM-5.2 es el modelo abierto más fuerte en varias pruebas de programación y agentes, y en algunos casos se acerca a los modelos cerrados de referencia, aunque no los supera de manera general. La lectura práctica es que los modelos abiertos ya no son solo una opción barata: empiezan a reducir dependencia de proveedores cerrados en tareas concretas que cada organización deberá validar por coste, rendimiento y riesgo.
La IA necesita tanto cálculo que ya crecen los neoclouds: clouds especializados solo en alquilar chips de IA.
Alrededor de la IA está creciendo una nueva capa de empresas, conocidas como neoclouds, que compran o financian grandes cantidades de chips de IA y alquilan esta potencia de cálculo a otras compañías. Venden la infraestructura para que otras empresas puedan entrenar o ejecutar sus propios sistemas de IA sin construir un data center. Nvidia estaría dando apoyo financiero a algunos de estos proveedores, lo que muestra hasta qué punto el negocio de la IA ya depende no solo de los modelos, sino también de quién controla los chips, la energía y la capacidad de cálculo.
Qwen lleva los modelos fundacionales hacia los robots que navegan, manipulan y anticipan el mundo físico.
Alibaba ha publicado Qwen-Robot Suite, una familia de tres modelos para robótica que separa el reto de actuar en el mundo físico en navegación, manipulación y predicción visual de futuras escenas. Los informes técnicos describen entrenamiento a gran escala, 15,6 millones de muestras para navegación, unas 38.100 horas para manipulación y 8,6 millones de vídeos-texto para modelar el mundo, con validaciones en benchmarks y algunas plataformas robóticas reales. La implicación es que la carrera de la IA ya no es solo lingüística: los modelos fundacionales empiezan a convertirse en capa de control para robots, logística, industria y automatización física.
Frontera
La FDA prueba ensayos clínicos que el regulador puede seguir en tiempo real.
La FDA ha iniciado dos pruebas de concepto con AstraZeneca y Amgen para que algunos endpoints y señales de seguridad de ensayos clínicos se reporten a la agencia en tiempo real, en lugar de esperar a los paquetes finales de datos. El objetivo es reducir el tiempo muerto entre recogida, análisis y decisión reguladora, no sustituir el ensayo clínico ni relajar la evaluación. Acelerar el desarrollo de fármacos dependerá cada vez más de datos clínicos trazables, interoperables y auditables mientras el estudio aún está en curso.
La IA empieza a competir con expertos humanos a la hora de poner probabilidades al futuro.
Metaculus, una plataforma especializada en predicciones colectivas, ha creado FutureEval para comparar agentes de IA con personas expertas en estimar qué puede pasar en ámbitos como salud, ciencia, tecnología, geopolítica e IA. Sus resultados todavía sitúan a los forecasters profesionales por delante de los modelos base, pero muestran que los agentes especializados ya se acercan a ese nivel en algunas pruebas. La implicación es clara: la predicción experta podría pasar de ser un recurso excepcional a una herramienta habitual para ayudar a empresas e instituciones a decidir bajo incertidumbre.
Una IA reconstruye frases tecleadas a partir de actividad cerebral sin implantes, pero aún no lee pensamientos.
Brain2Qwerty es un sistema capaz de reconstruir frases mientras personas sanas las teclean, usando sensores externos de actividad cerebral y sin ningún implante quirúrgico. El resultado es prometedor, pero todavía limitado: funciona mejor con MEG que con EEG, comete errores relevantes y necesita saber cuándo se pulsa cada tecla. Por eso, más que una herramienta para “leer la mente”, es un paso de laboratorio hacia futuras interfaces que algún día podrían ayudar a personas con dificultades graves de comunicación.
Claude en el laboratorio: una IA que no solo responde, sino que ayuda a ejecutar investigación científica.
Anthropic ha lanzado Claude Science para científicos, que integra herramientas de investigación, bases de datos, agentes especialistas y acceso a computación en un solo entorno de trabajo. La implicación es importante para salud y biociencia: la IA empieza a pasar de apoyo conversacional a infraestructura de trabajo científico, pero su valor dependerá de la validación, la reproducibilidad y el control de los riesgos.
Las recomendaciones financieras con IA llegan al pequeño inversor, pero no eliminan el riesgo.
Algunas plataformas de inversión ya presentan carteras, rotaciones sectoriales y selección de acciones como decisiones “elegidas por IA”, con puntuaciones propias y rendimientos pasados como reclamo. ESMA recuerda que, aunque se utilice IA, las firmas siguen obligadas a actuar en el mejor interés del cliente, supervisar las herramientas y evitar recomendaciones inadecuadas o engañosas. La idea clave es simple: una recomendación no es más neutral porque la haga una IA; hay que saber quién la ha diseñado, con qué incentivos y bajo qué responsabilidad.
Las ondas del WiFi ya se están usando para detectar presencia y actividad, pero las constantes vitales aún son investigación.
Empresas como nami/Aerial ya aplican WiFi sensing en entornos domésticos y de cuidado para detectar presencia, movimiento y patrones de actividad sin cámaras ni wearables. Las mismas señales WiFi también pueden capturar indicios de respiración o ritmo cardíaco, pero esta parte todavía no tiene validación clínica suficiente para sustituir monitores médicos. El WiFi puede inicialmente convertirse en un sensor ambiental útil para seguridad, actividad y acompañamiento en casa.
Midjourney quiere llevar el escáner corporal al formato spa, pero aún no ha demostrado valor clínico.
Midjourney ha anunciado una división médica para desarrollar un escáner corporal de ultrasonidos en agua que aspira a crear mapas 3D del cuerpo en unos 60 segundos, sin radiación ni campos magnéticos. La propia empresa admite que empezará con mapas de composición corporal y que cualquier uso diagnóstico requerirá aprobación reguladora, de modo que hoy es más una apuesta de investigación y wellness que una herramienta clínica validada. La noticia es relevante porque anticipa un debate cada vez más urgente: cuando la IA y el hardware permiten captar datos corporales a gran escala, hay que separar promesa preventiva, evidencia médica, regulación y protección de datos.
Comentarios