Talento IA

Andrew Ng presenta el "AI Engineering Skills Map", las 4 habilidades clave para trabajar con IA

Basado en el análisis de más de 10,000 vacantes y decenas de entrevistas con expertos, el mapa busca ayudar a desarrolladores a priorizar qué aprender y a las empresas a contratar mejor talento.

Por la redacción de IA Expo Internacional  |  Tiempo de lectura: 2 min

Andrew Ng, fundador de DeepLearning.AI, presentó el "AI Engineering Skills Map", un mapa construido a partir del análisis de más de 10,000 vacantes de trabajo, decenas de entrevistas estructuradas con expertos en IA, encuestas y otros datos en línea. El objetivo es identificar las habilidades más valiosas para que los desarrolladores prioricen qué aprender y las empresas contraten mejor talento, en medio de un entorno saturado de información sobre IA.

El primer nivel del mapa identifica cuatro habilidades clave: construir y desplegar aplicaciones de IA (entender bloques como LLMs, RAG y flujos agénticos, y saber medir y gobernar su comportamiento impredecible); fundamentos de ingeniería de software (para tomar buenas decisiones de arquitectura y dar mejor contexto a los agentes de código); uso efectivo de agentes de código (saber gestionar su contexto, orquestar varios agentes y evitar que dañen sistemas en producción); y "shaping the build", es decir, participar en definir qué se construye y no solo implementarlo. Ng planea profundizar en cada habilidad en próximas cartas.

Análisis

Por qué importa para la comunidad IA^x

Que Ng hable de "habilidades de ingeniería de IA" en lugar del rol de "AI Engineer" confirma algo que ya se siente en el mercado laboral: prácticamente todos los desarrolladores, sin importar su título, van a necesitar estas competencias tarde o temprano.

En IA Expo Internacional creemos que este tipo de mapas basados en datos reales de vacantes, y no solo en intuición, son justo la clase de guía que necesita la comunidad de desarrolladores en la región para decidir en qué invertir su tiempo de aprendizaje.

Agentes IA

Meta lanza Muse Code, un agente de programación que cobra hasta 92% menos a quien deje usar sus datos para entrenar

El nuevo agente corre sobre Muse Spark 1.2, un modelo competitivo en precio y desempeño, con una tarifa "contribuyente" mucho más barata a cambio de que Meta entrene con las sesiones de código del usuario.

Por la redacción de IA Expo Internacional  |  Tiempo de lectura: 2 min

Meta presentó Muse Code, un agente de programación que corre en la terminal, y Muse Spark 1.2, el modelo detrás de él. El agente delega tareas a subagentes que persisten durante toda una sesión de trabajo en lugar de crearse y desecharse en cada tarea, edita en paralelo sobre copias aisladas del repositorio, y guarda un registro de cada acción para poder retomar el trabajo si el proceso falla. Según Artificial Analysis, Muse Spark 1.2 queda apenas debajo de la frontera de inteligencia, pero a un costo por tarea menor que la mayoría de los modelos de su nivel.

La compañía ofrece el modelo en dos tarifas: una "estándar" de USD $1.25 de entrada y USD $4.25 de salida por millón de tokens, sin usar los datos del usuario para entrenar; y una "contribuyente" de apenas USD $0.10 de entrada y USD $0.20 de salida, en la que Meta sí entrena con las sesiones de código, con un límite de 100 solicitudes por minuto por equipo (frente a 3,000 en la tarifa estándar) que la hace más práctica para desarrolladores individuales y equipos pequeños.

Análisis

Por qué importa para la comunidad IA^x

Meta le está poniendo precio explícito a algo que antes no lo tenía: el registro completo de cómo un desarrollador razona, se equivoca y corrige su código, no solo el resultado final que ya se podía raspar de repositorios públicos.

En IA Expo Internacional creemos que antes de aceptar la tarifa "contribuyente" solo por el ahorro, cualquier desarrollador o equipo pequeño en la región debería pensar cuánto vale realmente el conocimiento de su propio código y flujo de trabajo, sobre todo si ese repositorio contiene el producto completo de su negocio.

Robótica IA

Gemini Robotics 2 de Google ya controla piernas y manos de un humanoide con un solo modelo

El mismo conjunto de pesos mueve tres configuraciones de robots distintas, incluyendo un humanoide capaz de agacharse a un estante bajo y cerrar una mano de cinco dedos alrededor de un foco.

Por la redacción de IA Expo Internacional  |  Tiempo de lectura: 2 min

Google presentó Gemini Robotics 2 (GR2), un modelo que convierte imágenes de cámara e instrucciones de texto en comandos para las articulaciones de un robot. A diferencia de modelos anteriores de la familia, que solo controlaban la parte superior del cuerpo para tareas de mesa, GR2 mueve piernas, torso, brazos y manos al mismo tiempo, con un único conjunto de pesos entrenados capaz de operar tres configuraciones distintas de hardware sobre dos cuerpos de robot diferentes.

Google reportó tasas de éxito propias de entre 45.7% y 76.3% en tareas de recolección con todo el cuerpo, de 32% a 92% en tareas de destreza con varios dedos, y de 74.2% a 89.6% en tareas con pinza simple. Un ejemplo ilustra lo distinto que puede ser un mismo movimiento en reversa: desenroscar un foco tuvo 92% de éxito, mientras que enroscarlo de nuevo solo logró 36%, porque requiere alinear primero el foco con el socket antes de girar. Google también presentó ASIMOV-Agentic, un benchmark de seguridad, y encontró que ningún sistema probado, incluido el suyo, logra detectar riesgos para las personas sin generar demasiadas paradas innecesarias, por lo que recomienda usar estos modelos junto con equipo de seguridad física convencional.

Análisis

Por qué importa para la comunidad IA^x

Que un mismo modelo transfiera conocimiento entre distintos cuerpos de robot, sin reentrenarse desde cero para cada configuración, es el mismo tipo de generalización que hizo despegar a los modelos de lenguaje con texto e imágenes, aplicado ahora al movimiento físico.

En IA Expo Internacional vemos en GR2 una señal de que la robótica general, capaz de adaptarse a distintas manos y cuerpos sin entrenamiento específico, está dejando de ser un experimento de laboratorio para acercarse a aplicaciones reales, aunque las tasas de éxito de hoy todavía dejan claro que falta camino por recorrer.

Video IA

MiniMax lanza H3, su modelo de video de última generación, con permiso obligatorio para usarlo en EE. UU., Reino Unido, la UE y Corea del Sur

El modelo encabeza los rankings de edición de video de Artificial Analysis, pero su licencia exige una solicitud especial en varios de los mercados más grandes del mundo.

Por la redacción de IA Expo Internacional  |  Tiempo de lectura: 2 min

MiniMax lanzó H3, un modelo de generación de video en alta definición que acepta hasta doce archivos de entrada entre texto, imágenes, audio y video, y produce clips de hasta 2000 píxeles de ancho y 15 segundos con audio y subtítulos. El modelo quedó primero en la tabla de edición de video de Artificial Analysis, y segundo, o empatado en primer lugar dentro del margen de error, en texto-a-video e imagen-a-video. Sus pesos son gratuitos para uso no comercial y comercial, y también está disponible vía API desde USD $0.08 por segundo en 768p hasta USD $0.13 por segundo en 2K.

Sin embargo, la licencia identifica a Estados Unidos, Reino Unido, la Unión Europea y Corea del Sur como "territorios excluidos": los usuarios en esos países deben presentar una solicitud a MiniMax para poder usar el modelo bajo los mismos términos que el resto del mundo. La licencia también exige que los usuarios comerciales muestren el nombre del modelo en cualquier producto que lo use y prohíbe usar sus resultados para entrenar (destilar) otros modelos.

Análisis

Por qué importa para la comunidad IA^x

Un modelo de código abierto que exige una solicitud de licencia solo por operar desde ciertos países contradice el sentido básico de "apertura": que cualquiera pueda descargar un modelo, ver cómo funciona y usarlo sin fricciones adicionales por su ubicación.

En IA Expo Internacional esperamos que este tipo de restricciones geográficas no se conviertan en la norma para los modelos "abiertos" que compiten en la frontera, porque para desarrolladores en Latinoamérica, quedar fuera de ese esquema restrictivo puede ser, paradójicamente, más sencillo que para equipos en los mercados regulados.

Investigación IA

Un estudio encuentra que un chatbot de IA puede reducir el malestar de una ruptura amorosa en una sola sesión

Investigadores de las universidades de Múnich y Cambridge probaron "overit", una app basada en Claude Sonnet 4.5, con 171 participantes en un ensayo aleatorizado y controlado.

Por la redacción de IA Expo Internacional  |  Tiempo de lectura: 2 min

Investigadores de la Universidad Técnica de Múnich y la Universidad de Cambridge construyeron "overit", una app de chatbot diseñada para ayudar a superar rupturas amorosas, basada en Claude Sonnet 4.5. La app guía al usuario por cuatro fases de conversación: hacer preguntas abiertas sobre la ruptura, identificar una creencia autolimitante ("fui abandonado porque no soy suficiente"), ofrecer una interpretación alternativa, y cerrar preguntando qué aprendió la persona y cómo se siente ahora.

En un ensayo aleatorizado y controlado con 171 participantes de EE. UU. y Reino Unido, quienes tuvieron una sola conversación de unos 20 minutos con la app redujeron su puntaje en la Escala de Malestar por Ruptura de 35.3 a 26.6 puntos a los 7 días, frente a una caída mucho menor en el grupo de control (de 35.9 a 32.2). Al mes, el grupo que usó la app seguía reportando menos malestar (26.0 frente a 29.0). Quienes tuvieron un "momento de insight" repentino sobre su ruptura reportaron sentirse mejor después: 61.7% de quienes usaron la app tuvo esa experiencia, frente a 19.3% en el grupo de control.

Análisis

Por qué importa para la comunidad IA^x

El diseño del estudio separa deliberadamente la evaluación de la generación de cada respuesta, para que el modelo no se limite a validar sycophánticamente lo que dice el usuario, un problema conocido de los chatbots en contextos terapéuticos.

En IA Expo Internacional creemos que este tipo de investigación, con ensayos controlados y métricas claras en vez de solo anécdotas, es el estándar que debería exigirse a cualquier producto de IA que se presente como herramienta de bienestar emocional, un espacio donde la evidencia rigurosa todavía es escasa.