SG Buzz

IA, inclusión y open source: Retos del ecosistema cloud native en KCD Guadalajara 2026

Fernando — Thu, 07 May 2026 20:50:21 +0000

IA, inclusión y open source: Retos del ecosistema cloud native en KCD Guadalajara 2026

Fernando Thu, 05/07/2026 - 14:50

En el KCD Guadalajara 2026, Mara Ruvalcaba presentó una keynote centrada en su trayectoria dentro del open source y los retos de inclusión que persisten en la industria. A través de su experiencia, compartió cómo ha impulsado iniciativas de diversidad en comunidades, eventos y espacios tecnológicos, subrayando la importancia de construir entornos más equitativos.

Durante su charla, abordó cómo la acelerada adopción de la inteligencia artificial está amplificando los desafíos existentes, haciendo aún más urgente integrar valores humanos e inclusivos en el desarrollo tecnológico. También presentó la iniciativa Merge Forward de la Cloud Native Computing Foundation, enfocada en ampliar la representación y participación de grupos históricamente subrepresentados dentro del ecosistema cloud native.

Su mensaje destacó que fomentar la inclusión no solo fortalece a las comunidades, sino que también impulsa la resiliencia y sostenibilidad del open source y cerró con una invitación clara: educar, participar y asumir responsabilidad colectiva para construir un futuro más diverso e inclusivo. Su participación reafirma el compromiso de Software Guru con el desarrollo de una comunidad tecnológica más abierta y representativa en México, Latinoamérica y el mundo.

Mara Ruvalcaba

El Algoritmo de la Desigualdad: ¿Por qué el Boom de la Complejidad Económica en México Te Está Forzando a Vivir Más Lejos?

Fernando — Thu, 07 May 2026 00:02:07 +0000

El Algoritmo de la Desigualdad: ¿Por qué el Boom de la Complejidad Económica en México Te Está Forzando a Vivir Más Lejos?

Fernando Wed, 05/06/2026 - 18:02

El crecimiento económico, ese motor perenne de las estrategias de desarrollo global, a menudo se celebra como un fin en sí mismo. Sin embargo, la ciencia de datos aplicada a las dinámicas urbanas en México revela una verdad incómoda: el auge productivo de las metrópolis más sofisticadas no solo coexiste con la segregación por ingresos, sino que parece impulsarla. Una investigación académica reciente, gestada en la confluencia de la política pública, la ingeniería y la data science, ha cartografiado esta paradoja con una granularidad sin precedentes.

La Estructura de Datos de la Urbe: Expansión Fragmentada y Variable Objetivo

Para comprender este fenómeno, los investigadores definieron y cuantificaron tres variables críticas en las 74 zonas metropolitanas más importantes del país. El análisis parte de una realidad ineludible: México es un país 80% urbano. Alarmantemente, entre 1990 y 2020, el área construida creció 2.13 veces más rápido que la población, catalizando un fenómeno conocido como Expansión Urbana de Baja Densidad o Sprawl (SPR).

El SPR, caracterizado por el desplazamiento masivo de personas hacia la periferia, mientras la infraestructura y el empleo permanecen concentrados en el centro, funciona como un multiplicador de la desigualdad. Mediante algoritmos de aprendizaje automático aplicados a bases de datos satelitales (como Global Human Settlement y ESA), el equipo pudo mapear esta expansión, diferenciando las estructuras techadas de la infraestructura urbana como calles y parques.

La segregación por ingreso, definida como la separación espacial de distintos grupos de ingreso, fue establecida como la variable objetivo. Su medición fue un desafío técnico superado a través de un método estadístico novedoso: la combinación de la distribución de ingreso a nivel metropolitano (ENIC del INEGI) con la resolución espacial a nivel de AGEP o barrio (Censo del INEGI). Esta integración de bases de datos se ejecutó a través de la minimización de la distancia de Kullback-Leibler en las distribuciones, permitiendo obtener el ingreso personal a nivel de barrio y, finalmente, un índice de segregación basado en la entropía.

La Matriz Productiva: Navegando la Complejidad Económica

La segunda variable clave es la Complejidad Económica. Este concepto trasciende el simple Producto Interno Bruto (PIB) al entender las estructuras productivas como matrices interconectadas. El modelo compara la especialización industrial de las regiones (en este caso, las 92 zonas metropolitanas) a través de bases de datos amplias de actividades económicas, utilizando técnicas de reducción de dimensionalidad para determinar el grado de tecnificación y diversidad de su estructura productiva.

Históricamente, la complejidad ha tenido efectos bidireccionales en la desigualdad:

Efecto Mitigador: Una especialización inicial en industria manufacturera puede llevar a la profesionalización de la clase obrera e incrementar salarios, lo que disminuye la desigualdad y, consecuentemente, la segregación.
Efecto Expulsor: El surgimiento de industrias de alta tecnología o servicios eleva el valor de la tierra adyacente a las fuentes de empleo (gentrificación), expulsando a grupos de bajos ingresos y aumentando la desigualdad salarial, lo cual incrementa la segregación.

El objetivo de la investigación fue determinar cuál de estos efectos prevalece en el ecosistema urbano mexicano.

Conclusiones de Data: La Causalidad entre Complejidad y Aislamiento

El análisis de regresión ejecutado arrojó una conclusión rotunda que demanda una revisión de las prioridades en política pública: a mayor complejidad económica, existe una tendencia clara a una mayor segregación espacial. Esta variable es estadísticamente significativa en la propulsión de la desigualdad espacial, junto con la expansión urbana (SPR).

Los investigadores agruparon las zonas metropolitanas en cinco clusters con dinámicas diferenciadas:

Cluster 3 (Alta Segregación y Complejidad): Las zonas con los mayores niveles de segregación por ingreso también ostentan la más alta complejidad económica y PIB per cápita. Este output del sistema subraya el trade-off: se prioriza el PIB, pero se desatiende el diseño social de la ciudad.
Cluster de Frontera (Tijuana, Juárez): Economías altamente vibrantes por el comercio bilateral, pero con una expansión urbana fragmentada y socialmente costosa.
El Caso de Cancún: Representando un outlier positivo, Cancún experimentó un crecimiento poblacional explosivo (cinco veces su tamaño) sin que la segregación espacial se disparara. Los resultados atribuyen este éxito a políticas públicas focalizadas en el transporte urbano y la vivienda.

Reflexión y Hoja de Ruta para Desarrolladores Urbanos

Desde una perspectiva de software development para la gobernanza urbana, la solución reside en diseñar sistemas que mitiguen el side effect del crecimiento. Si bien la complejidad económica es un input deseado, el output de segregación debe ser contrarrestado con features de diseño urbano. Los hallazgos sugieren que el porcentaje de viajes en transporte público y una mayor infraestructura urbana contribuyen a disminuir la segregación espacial, facilitando el mestizaje social y el acceso a oportunidades.

La correlación identificada por este estudio, que convierte el auge económico en un factor de aislamiento socioespacial, es un call to action para los líderes de las metrópolis mexicanas. La próxima generación de estrategias de desarrollo no debe solo enfocarse en el crecimiento (el output del PIB), sino en la ingeniería social y espacial que permite desacoplar la complejidad económica de la desigualdad. Se requiere el uso continuo de estos datos espaciales y técnicas analíticas avanzadas para asegurar que el progreso beneficie a todas las capas del stack social.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

De la intuición a la optimización algorítmica: La ineludible fusión entre Marketing, Data Science y Desarrollo.

Fernando — Wed, 06 May 2026 20:42:41 +0000

De la intuición a la optimización algorítmica: La ineludible fusión entre Marketing, Data Science y Desarrollo.

Fernando Wed, 05/06/2026 - 14:42

En un entorno donde la velocidad del cambio tecnológico se mide en semanas, no en décadas, la disciplina del marketing se encuentra en una encrucijada transformacional. Impulsado por la democratización masiva de herramientas como ChatGPT y la emergencia de nuevos motores generativos como Sora para la producción de video, el sector ha trascendido la era del hype para instaurar un nuevo paradigma: la optimización basada en datos y la integración algorítmica. Esta nueva realidad exige una convergencia funcional sin precedentes donde el experto en Data Science debe integrarse orgánicamente en los equipos de Marketing.

De Machine Learning al Generative Engine Optimization (GEO)

El uso de la Inteligencia Artificial (IA) en marketing no es un fenómeno reciente. Desde principios de los años 2000, los motores de búsqueda ya empleaban algoritmos de Machine Learning para la indexación y el ranking. Las estrategias de Search Engine Optimization (SEO) y Search Engine Marketing (SEM) se basaban en la optimización de contenido y en complejos sistemas de pujas (bidding) en tiempo real para la asignación de anuncios patrocinados, una labor que requería un control algorítmico a nivel de segundos.

No obstante, la irrupción de la IA generativa ha reescrito el playbook. Hoy, el desafío ya no es únicamente posicionarse en una lista de resultados, sino lograr que el contenido de una marca sea referenciado en el párrafo resumido que ofrecen los nuevos buscadores. Este fenómeno, denominado Generative Engine Optimization (GEO), obliga a los creadores de contenido a estructurar los datos de sus plataformas de manera que sean inteligibles para las máquinas (Structured Data) y, por ende, susceptibles de ser jalados por los Large Language Models (LLMs).

La Volatilidad de las Fuentes y el Riesgo Reputacional

Esta rápida adopción ha generado tensiones significativas, especialmente en la curación de los datasets utilizados para entrenar los LLMs. Plataformas de contenido libre y colaborativo como Reddit y Wikipedia, históricamente fuentes de información para modelos como ChatGPT y Perplexity, han demostrado ser vectores de riesgo reputacional. La facilidad con que los usuarios pueden crear narrativas negativas y dañar la percepción de una marca llevó a una caída en la relevancia de estas fuentes para los modelos, obligando a las agencias a reconsiderar dónde y cómo se construye la "fuente de la verdad" de una marca.

Además, el auge de las imágenes generativas (como las versiones mejoradas de Midjourney) y los deepfakes (como Sora) ha creado una paradoja operativa. Si bien la IA elimina la necesidad de contratar diseñadores gráficos para la producción masiva de contenido, introduce riesgos de errores en la salida, por ejemplo, fallos en la anatomía o desalineación de la identidad visual de la marca, como se ha visto en casos de Audi y Calvin Klein.

Imperativos de la Personalización a Escala

La tendencia hacia la hiperpersonalización se ha acelerado de manera exponencial. Con el declive de las cookies de terceros, plataformas como Meta están recurriendo a sus propios LLMs (como LLaMA) para recopilar y utilizar datos de conversaciones de chat en Facebook y otras redes, con el fin de generar anuncios ultra-segmentados.

Este cambio impone una exigencia operacional extrema a las agencias: la necesidad de producir hasta 60 diferentes versiones de anuncios por campaña para asegurar la personalización correcta por segmento (por ejemplo, diferentes versiones de una nueva camioneta Ford para diversos perfiles de consumidor).

El Modelo Predictivo como Ventaja Competitiva

Actualmente, muchos directores de marketing (CMOs) operan bajo un modelo reactivo, tomando decisiones costosas e ineficientes basadas en la intuición y optimizando campañas post-mortem, lo que se traduce en un desperdicio significativo de presupuesto.

El modelo ideal, en cambio, se fundamenta en la predictibilidad: la toma de decisiones 100% basada en datos, la medición del Retorno de Inversión (ROI) en tiempo real, la personalización a escala y la optimización dinámica de presupuestos.

El gap de oportunidad es inmenso, especialmente en el contexto mexicano, donde solo el 5% de las empresas reportan usar IA, mientras que el 45% planea invertir en esta tecnología para marketing. Esta bifurcación representa la ventana dorada para los científicos de datos, quienes son los catalizadores necesarios para transformar la función de marketing de una disciplina "glamurosa" a una basada en álgebra, logarítmica y modelado avanzado.

Casos de Uso Impulsados por Data Science

La aplicación de la IA en marketing se centra en tres pilares: Generativa (contenido y multimedia), Agéntica (automatización de tareas) y Predictiva (Machine Learning para la toma de decisiones). Los casos de uso más rentables son:

Marketing Mix Modeling (MMM) para Asignación Presupuestaria: Se emplean modelos de atribución predictiva multicanal, ingiriendo datasets históricos para identificar tendencias y simular escenarios (temporalidad, eventos disruptivos). Una implementación en el sector retail con 15 canales activos demostró un 42% de incremento en ROI y un ahorro reintegrado de 2.5 millones de pesos en seis meses, gracias a la reasignación automática y en tiempo real de fondos entre canales (ej. de Facebook a Google).
Targeting Inteligente y Ciclos Largos de Venta: En el sector automotriz, donde el costo por lead es elevado y los ciclos de venta son extensos, la solución es la implementación de modelos lookalike (identificar usuarios con características predictivas similares a compradores existentes) y la integración bidireccional con Customer Relationship Management (CRM). Esta integración es crucial para la optimización y coherencia del funnel, evitando el impacto publicitario a usuarios que ya han completado la adquisición.
Motores de Recomendación para E-commerce: En el comercio electrónico de moda, la baja conversión y los carritos abandonados se combaten con motores de recomendación predictivos y contenido web dinámico. Los LLMs se utilizan para generar emails de comunicación únicos y relevantes para cada usuario, revitalizando la experiencia de usuario estática.

El Mandato Ético y la Responsabilidad del Data Scientist

Los desafíos técnicos (datos sucios, expectativas irreales de la Alta Dirección y modelos sin utilizar) solo pueden mitigarse mediante la creación de equipos híbridos y la educación del liderazgo corporativo sobre el funcionamiento y el impacto real de la IA.

No obstante, el imperativo ético se cierne sobre la innovación. Los LLMs globales manifiestan sesgos inherentes que afectan la representación de minorías o contextos endémicos (ejemplo, la imagen estereotipada del mexicano). Además, el uso irresponsable de filtros o aplicaciones generativas para uso personal representa un riesgo de privacidad masivo, pues la imagen del usuario puede utilizarse para entrenar a los modelos sin consentimiento informado.

El caso Cambridge Analytica sirve como recordatorio de que la tecnología de datos, al carecer de regulación global unificada, puede ser utilizada para influir en procesos democráticos. La disyuntiva es clara: regular o innovar.

Para garantizar que el marketing sea inteligente, rentable y responsable, la comunidad de desarrollo y datos debe tomar la iniciativa:

Auditar la data (calidad, estructura y fuentes).
Definir casos de uso (específicos, medibles, con impacto).
Construir equipos híbridos con científicos de datos.
Actuar éticamente, consultando manifiestos como el de la IAB y permaneciendo vigilantes ante el uso de la IA por redes criminales.

El futuro del marketing no es una opción, es un requisito competitivo que demanda expertise técnico y una profunda responsabilidad ética.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

Beam vs Spark vs Flink: Por qué Beam es el MVP de la era RAG

Fernando — Tue, 07 Apr 2026 23:18:28 +0000

Beam vs Spark vs Flink: Por qué Beam es el MVP de la era RAG

Fernando Tue, 04/07/2026 - 17:18

En el ecosistema del procesamiento de datos a gran escala, la batalla por la supremacía tecnológica suele reducirse a tres nombres: Apache Spark, Apache Flink y Apache Beam. Durante años, la narrativa se centró en la velocidad bruta o en la gestión de micro-batches. Sin embargo, en 2026, el paradigma ha cambiado. La explosión de la IA Generativa y la necesidad de arquitecturas RAG (Retrieval-Augmented Generation) han desplazado el foco de la "fuerza bruta" hacia la "flexibilidad semántica". Para entender este cambio, debemos analizar no solo qué herramienta procesa más registros por segundo, sino cuál permite orquestar la inteligencia de manera más eficiente.

La Anatomía del Procesamiento: Spark vs. Flink vs. Beam

Para un ingeniero de datos, la elección entre estos frameworks depende de la naturaleza del flujo de trabajo. Aquí la comparativa técnica:

Característica	Apache Spark	Apache Flink	Apache Beam
Modelo de Procesamiento	Micro-batches (Structured Streaming).	Streaming nativo (evento por evento).	Unificado (Batch y Stream bajo un mismo modelo).
Latencia	Segundos / Milisegundos altos.	Milisegundos reales (Ultra-low latency).	Depende del Runner (Flink, Spark, Dataflow).
Gestión de Estado	Compleja, dependiente de checkpoints.	Excelente, líder en stateful processing.	Abstracta, permite portabilidad total de la lógica.
Casos de Uso Ideal	Analytics masivo, ML clásico, ETL Batch.	Detección de fraude en tiempo real, alertas.	AI Pipelines, RAG dinámico, Ingesta Multi-cloud.

El Renacimiento de Beam: Más allá del Pipeline Convencional

Mientras que Spark domina el análisis histórico y Flink es el rey de la baja latencia, Apache Beam se ha erigido como el estándar de facto para la IA moderna. ¿La razón? Su capacidad de abstracción. Beam no es un motor de ejecución por sí mismo, sino una capa de programación que permite escribir el pipeline una vez y ejecutarlo en cualquier motor (Runners).

1. AI Pipelines: La Transformación en el "Edge" del Dato

En la creación de modelos, el preprocesamiento de datos suele ser el cuello de botella. Beam permite integrar transformaciones de Machine Learning directamente en el flujo. Gracias a conectores como RunInference, los desarrolladores pueden cargar modelos de PyTorch o TensorFlow dentro del pipeline de datos.

Caso Real: Una multinacional de retail utiliza Beam para procesar imágenes de cámaras de seguridad en tiempo real. El pipeline no solo normaliza los datos, sino que ejecuta un modelo de visión computacional para detectar aforos, enviando solo los metadatos procesados a la nube, reduciendo costes de ancho de banda en un 65%.

2. El Corazón de RAG: Indexación Dinámica a Escala

El Retrieval-Augmented Generation (RAG) requiere que los sistemas de IA tengan acceso a datos frescos y vectorizados. Aquí es donde Beam brilla sobre Spark. Un pipeline RAG eficiente debe:

Ingerir documentos en tiempo real (Streaming).
Fragmentar (chunking) y limpiar el texto.
Generar embeddings mediante una API de LLM.
Actualizar la base de datos vectorial (Pinecone, Weaviate o pgvector).

Beam orquesta esto con una elegancia superior. Al utilizar ventanas de tiempo (windowing) y disparadores (triggers), garantiza que la base de datos de conocimiento de la IA esté actualizada al milisegundo, evitando que el LLM genere alucinaciones basadas en datos obsoletos.

Casos de Éxito: Impacto Real en el Mundo

"La portabilidad no es una característica de Beam; es su ventaja competitiva. Permite que el código sobreviva a la infraestructura."

Sector Financiero (Detección de Fraude): Una entidad líder migró sus procesos de Flink nativo a Beam corriendo sobre Flink. ¿El resultado? Redujeron el tiempo de despliegue de nuevas reglas de negocio de semanas a días, ya que los científicos de datos (Python) y los ingenieros de datos (Java/Go) ahora comparten el mismo modelo de programación sin fricciones.
Logística Global: Mediante el uso de Beam en Google Cloud Dataflow, una empresa de logística gestiona 2 millones de eventos por segundo. Su pipeline RAG permite que los operarios pregunten en lenguaje natural: "¿Cuál es la causa del retraso en el puerto de Rotterdam?", y la IA responde con datos procesados hace apenas 10 segundos.

Conclusión

Si la visión es construir sistemas inteligentes, portables y preparados para la era de la IA, Apache Beam es la elección estratégica. Beam libera a las organizaciones de la tiranía del vendor lock-in y proporciona el marco de trabajo necesario para que los datos no solo fluyan, sino que piensen.

En el tablero de ajedrez de los datos, Spark y Flink son las piezas poderosas, pero Beam es el tablero mismo: el lugar donde todas las estrategias cobran sentido.

¿Quieres aprender más sobre Apache Beam? ¡No te pierdas Beam College y Beam Summit!

Pedro Galván

La Revolución Silenciosa de la Medicina: Datos, IA y el Expediente Digital Estructurado

Fernando — Tue, 07 Apr 2026 22:27:00 +0000

La Revolución Silenciosa de la Medicina: Datos, IA y el Expediente Digital Estructurado

Fernando Tue, 04/07/2026 - 16:27

La transformación digital en el sector salud no es un mero cambio de formato; es una reestructuración fundamental de cómo se almacena, procesa y utiliza la información crítica. Históricamente, la información estructural, como los datos recopilados en las fronteras o los registros de expedientes digitales, ha presentado desafíos significativos. La dificultad para traducir y estructurar esta vasta cantidad de datos ha sido un cuello de botella, impidiendo que la información sea tan fácil y fluida como se requiere para la toma de decisiones clínicas y administrativas.

El meollo del problema reside en convertir narrativas médicas, diagnósticos y resultados de experimentos (como los referidos a experiment o enfermedad) en una estructura de datos coherente y analizable. Este proceso es vital no solo para la gestión hospitalaria, sino también para asegurar el derecho de las personas a un manejo de su información que sea eficiente y seguro.

De la Transcripción al Expediente Estructurado

El camino hacia una medicina verdaderamente inteligente comienza con la digitalización de los expedientes. Sin embargo, la simple digitalización no es suficiente. El verdadero valor emerge al traducir y estructurar esa información para que sea consumible por sistemas avanzados. La historia que se está estructurando en torno a un dispositivo médico o un diagnóstico es, en esencia, la información para que los profesionales de la salud puedan, poco a poco, conformar y profundizar el entendimiento de su paciente.

Esta estructuración permite a las empresas y proveedores de atención médica pasar de una gestión reactiva a una proactiva. Por ejemplo, al analizar datos de manera estructurada, se pueden identificar patrones para mejorar la atención femenina o entender mejor condiciones complejas, más allá de la simple visualización de tantos numeritos sin contexto.

La Inteligencia Artificial como Simulación de la Realidad Sistémica

El concepto de inteligencia artificial "inteligente" aplicado a la salud es, en realidad, una simulación sofisticada. No se trata de reemplazar el juicio médico, sino de potenciarlo mediante el análisis de la condición sistémica del paciente.

El análisis de datos brutos, como las métricas de sueño (ej. 80% de sueño), o los parámetros alterados en una embarazada, adquiere un nuevo significado cuando se contextualiza dentro del perfil individual del paciente. Un valor que para un individuo promedio podría ser bajísimo (un 60 o un 80), para una embarazada es un parámetro esperado dentro de su condición sistémica que es diferente.

La inteligencia médica del futuro se basa en la capacidad de procesar variables que incluyen:

Condición Sistémica: Entendimiento integral del estado de salud del paciente.
Factores Genéticos: Consideración de la predisposición y el historial familiar (conforme genéticos).
Contexto: El entorno y las variables externas que influyen en la salud.

La Democracia de la Medicina y la Accesibilidad

La estructuración de la información es la clave para la democracia de la medicina. Permite que la mejor práctica clínica, o el conocimiento del mejor cirujano en un punto del mundo, esté potencialmente disponible para el resto del planeta. La capacidad de digitalizar los expedientes y compartir esta información estructurada a través de plataformas eficientes (como la mencionada plataforma para el registro, etc.) es un imperativo tecnológico y ético.

En este contexto, el desarrollo de software y el análisis de datos se centran en crear herramientas que permitan a los profesionales:

Ocupar el expediente de manera intuitiva.
No perder tiempo en escribir datos, sino en la interacción y el juicio clínico.

La meta es clara: desarrollar tecnología para servir a los pacientes y al personal de salud, facilitando una atención más rápida, menos transporte y un uso más eficiente de los recursos, asegurando que la fuerza de las personas se enfoque en el cuidado y no en la carga administrativa.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

Automatización e IA en México y Latam: Claves de la Industria 4.0 para Superar la Competencia Global

Fernando — Tue, 07 Apr 2026 20:42:14 +0000

Automatización e IA en México y Latam: Claves de la Industria 4.0 para Superar la Competencia Global

Fernando Tue, 04/07/2026 - 14:42

La conversación reciente entre expertos de diversas industrias en Latinoamérica revela una visión clara y ambiciosa sobre el futuro industrial de la región. Lejos de ser meros espectadores, países como México, Brasil, Colombia y Panamá se están posicionando como focos de innovación, impulsando la adopción de tecnologías de vanguardia como la automatización, la ciberseguridad y la Inteligencia Artificial (IA) para optimizar sus procesos productivos.

La Base de la Transformación: Datos y Automatización Inteligente

En el núcleo de esta transformación se encuentra la gestión inteligente de datos. El camino hacia la Industria 4.0 no es solo un cambio de maquinaria, sino una reestructuración de cómo las organizaciones recopilan, procesan y actúan sobre la información generada.

La automatización se aborda desde una perspectiva integral, cubriendo no solo los aspectos físicos de la producción, sino también los temas cinemáticos y de seguridad. La recolección de datos en diversas áreas es el punto de partida para una transformación que busca cambiar la forma en que las empresas operan a futuro.

Un dato crucial de este análisis es la composición del interés en esta adopción tecnológica: el sector manufacturero y la construcción emergen como las áreas con mayor potencial y base de implementación.

IA Aplicada: De la Teoría a la Oportunidad Tangible

La Inteligencia Artificial aplicada se percibe como el motor que permitirá a las empresas latinoamericanas competir con sus pares globales. Se subraya que, aunque existen desafíos en la mano de obra y la infraestructura en comparación con mercados como Estados Unidos o Europa, la oportunidad es significativa.

Un aspecto crítico es cómo la implementación de estas tecnologías se traduce en valor. El enfoque está en el desarrollo de soluciones internas (consultores internos), que entienden profundamente el contexto y las subsidiarias de la región. Esto permite una mayor propiedad intelectual y una adaptación más rápida de las soluciones.

Métricas Clave y Escalamiento de la Solución

La adopción de tecnología debe estar anclada en resultados medibles. El éxito inicial se centra en proyectos piloto de rápida ejecución:

Implementación Sencilla: Comenzar con soluciones modulares en áreas específicas como facturas y alimentos.
Aproximación Ejecutiva: El acercamiento a los líderes es fundamental; pasar de 12 a 60 asistentes en sesiones de acercamiento subraya la necesidad de concientización y conocimiento.
Visualización de Valor: Mostrar resultados tangibles, como videos y herramientas rápidas, que demuestren el valor en la operación es más efectivo que la promesa abstracta de eficiencia.

El mantenimiento controlado por rendimiento es un ejemplo de cómo los datos se convierten en acciones. La clave es el ecosistema inteligente, donde la información fluye para que los usuarios finales, desde la operación hasta la gerencia, puedan interpretar métricas como una mejora del 85% al 95% en ciertos indicadores. Para que esto funcione, es indispensable un equipo destinado a llevar ese tracking y asegurar la ejecución y auditoría.

Desafíos y Visión a Futuro: De la Resiliencia a la Competitividad

El objetivo final de esta ola de digitalización se resume en un conjunto de metas estratégicas:

Aumentar la Competitividad y Rentabilidad.
Crear Sistemas Resilientes y Sostenibles.
Atracción de Talento Especializado.

Existe una advertencia constante sobre la tentación de adoptar tecnologías de moda, como la IA conversacional (los agentes), sin comprender sus usos y limitaciones. La madurez se alcanza cuando las empresas logran el escalamiento de proyectos exitosos a otros departamentos, asegurando que la tecnología adoptada sea útil y sostenible a largo plazo.

Latinoamérica es vista como un ecosistema variado con oportunidades específicas: Brasil en manufactura, Colombia y Panamá en logística y banca. La gran oportunidad para los desarrolladores locales es sacar todo lo que ya se está haciendo, darle un ajuste para otro mercado y capitalizar el talento local que se está preparando.

Finalmente, el tema cultural y la resistencia organizacional son la última frontera. Se requiere un sistema de liderazgo que promueva la alfabetización tecnológica y el uso constante, garantizando que el ecosistema inteligente continúe creciendo y generando valor.

Latinoamérica no solo está adoptando la Industria 4.0; la está moldeando con soluciones propias, un fuerte enfoque en el valor medible y la convicción de que la explotación de las capacidades de los recursos internos es el camino hacia una satisfacción y competitividad duraderas.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

Cómo la IA y tus Datos Rescatan a las Ciudades de la Crisis Climática

Fernando — Wed, 04 Mar 2026 23:32:05 +0000

Cómo la IA y tus Datos Rescatan a las Ciudades de la Crisis Climática

Fernando Wed, 03/04/2026 - 17:32

La lucha contra la crisis climática exige acciones rápidas y decisiones informadas. En el corazón de esta transformación se encuentran las ciudades, motores de la economía global, pero también fuentes significativas de emisiones. La organización C40 Cities (anteriormente Ciforitis), una coalición de casi 100 alcaldes de ciudades vanguardistas, se ha posicionado en la primera línea de este combate, utilizando la ciencia de datos y la tecnología para impulsar un futuro donde la prosperidad y la sostenibilidad coexistan.

La Biósfera como Contexto Global

El punto de partida es una visión humilde de nuestro planeta. Si la Tierra fuese una pelota de baloncesto envuelta en una hoja de papel, el grosor de ese papel representaría la biósfera: un equilibrio frágil que soporta la vida. Ante la alarma sobre el cambio climático, la Tierra persistirá, pero su capacidad para soportar la vida cómoda y predecible que conocemos está en riesgo. Esta realidad convoca a los habitantes de la biósfera, especialmente a las ciudades, a actuar.

C40 Cities: Un Enfoque Científico y Colaborativo

C40 Cities se define como una ONG que une a líderes urbanos con un objetivo común: evitar el calentamiento global extremo, alineado con los Acuerdos de París, y construir comunidades equitativas y resilientes.

El pilar de esta misión es el enfoque científico, que es intrínsecamente dependiente de los datos. La colaboración es la herramienta clave para el intercambio de información y la gestión de estrategias conjuntas.

Métrica Clave	Impacto Global de las Ciudades	Contribución de la Red C40
Superficie del Mundo	Muy poco	N/A
Población Mundial	Más de la mitad de la humanidad	N/A
Consumo de Energía Global	75%	N/A
Emisiones Globales de CO2	70%	N/A
Riqueza Global (PIB)	80%	23% de la economía global (con 97 ciudades)

Objetivos 2030: Una Triple Tarea Crítica

Los objetivos de C40 Cities al 2030 se centran en tres áreas de impacto:

Descarbonización del Transporte: Reducir la dependencia de los combustibles fósiles, promoviendo la movilidad activa (caminata, bicicleta) y rediseñando la infraestructura urbana, a menudo heredada del modelo americano que privilegia el automóvil.
Resiliencia Urbana: Construir ciudades capaces de resistir y recuperarse de desastres y eventos climáticos extremos.
Transición Justa e Inclusiva: Asegurar que las políticas de transición climática no perjudiquen a las poblaciones más vulnerables, garantizando la equidad en la acción climática.

Estas metas se abordan mediante programas e iniciativas estructurados en ocho ámbitos esenciales, que van desde la planeación urbana y la eficiencia energética de los edificios (grandes consumidores de energía), hasta la gestión del transporte de mercancías.

El Desafío de la Ingesta de Datos: De la Voluntariedad al Big Data

El corazón operativo de C40 Cities reside en su capacidad para agregar y estandarizar datos. El proceso, sin embargo, se enfrenta a retos significativos en la ingesta:

Voluntariedad y Variabilidad Política: La entrega de datos por parte de las ciudades es voluntaria, regida por sus prioridades y velocidad, que a menudo cambian con las administraciones gubernamentales.
Heterogeneidad Metodológica: Cada ciudad utiliza su propia metodología de medición y formato de reporte (p. ej., reporte de consumo de agua en litros per cápita anual en lugar de metros cúbicos por segundo promedio).
Dispersión de Fuentes: La información proviene de múltiples canales: las propias ciudades, fuentes independientes (estudios, satélites) y cálculos internos. Esta data termina dispersa en una vasta colección de hojas de cálculo (Excel o Google Sheets).
Diferencias en la Frecuencia de Actualización: Mientras algunas ciudades reportan al día, otras tienen datos rezagados de años, generando un mosaico de información incompleto y asincrónico.

La Solución: Estandarización y Arquitectura de Datos

Para superar esta frustración, C40 Cities ha implementado una estrategia de estandarización y concentración de la información.

Componente	Función Principal	Tecnología/Plataforma
CRM	Gestión de interacciones con las ciudades, accountability con donantes, seguimiento de contactos.	Salesforce
Gestión de Proyectos	Colaboración y seguimiento interno.	Asana, Slack
Data Warehouse (Actual)	Almacenamiento y centralización de datos.	PostgreSQL (Postgress), AWS (montado en As)
ETL (Actual)	Extracción, Transformación y Carga de datos.	R (Scripts)
Plataforma de Análisis	Visualización y exploración de datos.	Qlik (Click)

Nota sobre Presupuesto: Al operar como ONG, la dependencia de la generosidad de estas plataformas es clave para mantener la viabilidad financiera de su infraestructura tecnológica.

Usos Estratégicos de los Datos: De la Gobernanza a la Divulgación

Usos Internos (Accountability y Operación)

Los datos son esenciales para la gobernanza interna y la efectividad operativa de C40 Cities:

Trazabilidad de Interacciones: Registrar foros, eventos y comunicaciones con las ciudades para evitar redundancias y asegurar un seguimiento eficiente.
Estatus de Cumplimiento: Monitorear que las ciudades cumplan y lideren las acciones climáticas requeridas para mantener su membresía, incluyendo la inspiración y ayuda a otras urbes.
Documentación de Casos de Éxito: Analizar y divulgar historias de éxito (qué se hizo, cómo se hizo, costo y lecciones aprendidas) para facilitar la replicación de soluciones.
Control Financiero: Gestión y seguimiento de donaciones.
Analítica de Contenido: Medición del impacto y la lectura de publicaciones (gracias a Google Analytics).
Satisfacción del Miembro: Evaluación de la satisfacción de las ciudades con los servicios de C40 Cities.

Usos Externos: El Knowledge Hub

La herramienta principal de divulgación es el C40 Knowledge Hub (C40hub.org), un recurso abierto y multilingüe que concentra el conocimiento, historias de éxito, guías y, crucialmente, exploradores interactivos de datos.

Estos exploradores permiten a cualquier usuario, desde un planificador urbano hasta un ciudadano, consultar, visualizar y descargar datos clave, como la calidad del aire o las tendencias de emisiones. La data divulgada es la que ya ha sido depurada y aprobada para el uso público. El Hub ha demostrado ser altamente efectivo, con cerca del 70% de los usuarios encuestados reportando que el contenido les ha servido para tomar una acción.

Inteligencia Artificial en la Trinchera de Datos

La IA y el Machine Learning son integrales a la estrategia de datos de C40 Cities, facilitando la operatividad y la proyección de impacto:

1. Limpieza de Datos y Estandarización Asistida por IA

Se utiliza la API de modelos de lenguaje, como la de ChatGPT, para estandarizar los datos de entrada que vienen en formatos heterogéneos. Mediante prompts diseñados con precisión, el modelo es capaz de transformar, por ejemplo, una métrica reportada en texto descriptivo a la cifra numérica requerida, agilizando el proceso de ETL. Esta técnica permite limpiar datos de manera rápida y sin necesidad de complejos algoritmos condicionales o codificación extensiva.

2. Machine Learning Sin Código (No-Code ML)

Se emplean herramientas que permiten a los científicos de datos realizar proyecciones y análisis predictivos de manera gráfica e interactiva, sin requerir una codificación exhaustiva. Un ejemplo notable es el análisis de la zona de ultrabaja emisión de Londres, donde el Machine Learning ha permitido proyectar el impacto de la expansión de la zona en la reducción de emisiones y en los efectos positivos en la salud pública (reducción de enfermedades respiratorias crónicas como el asma).

3. RAGs Personalizados (Retrieval-Augmented Generation)

Para la gestión de conocimiento interno y sensible, C40 Cities implementa chatbots entrenados con sus propios documentos (políticas, procedimientos, datos operativos) en una red privada. Esto asegura que la información sensible no sea utilizada para el reentrenamiento de modelos externos ni sea divulgada.

Estos generadores de respuestas son cruciales por su capacidad de explicabilidad (explainability), al proporcionar no solo la respuesta resumida a una consulta (p. ej., política de gastos de viaje), sino también las tres fuentes de documentos originales (incluso si la pregunta y respuesta son en español y los documentos fuente están en inglés) de las cuales se extrajo la información. La retroalimentación del usuario sobre la calidad de la respuesta es un mecanismo de mejora continua.

La Hoja de Ruta Tecnológica: Datos Duros y Contexto con IA

De cara al futuro, la arquitectura de datos de C40 Cities está evolucionando para optimizar la velocidad y la facilidad de acción:

Área de Cambio	Componente (Actual)	Componente (Futuro)	Beneficio Esperado
Data Warehouse	PostgreSQL	Amazon Aurora (Evolución natural)	Mayor escalabilidad y rendimiento.
ETL	R (con scripts)	Herramienta de ELT no-code (Integración de datos Qlik)	ELT más rápido y fácil, mayor capacidad de acción de los datos.
RAGs/IA	Acceso a datos no estructurados.	Acceso a aplicaciones de análisis y datos estructurados (cifras/datos duros).	Respuestas fundamentadas con contexto y cifras: Capacidad de explicar por qué subió o bajó una métrica basándose en la política o lineamiento correspondiente.

Esta convergencia de RAGs con datos estructurados permitirá pasar de la simple extracción de texto a la generación de conocimiento contextualizado basado en métricas, facilitando la toma de decisiones bien fundadas para la red de ciudades. La meta es clara: eliminar las hojas de cálculo y la data aislada para convertir cada dato en una palanca de acción climática.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

Zabbix Labs 2026: el salto técnico para ir más allá del monitoreo tradicional

Fernando — Wed, 04 Mar 2026 23:07:26 +0000

Zabbix Labs 2026: el salto técnico para ir más allá del monitoreo tradicional

Fernando Wed, 03/04/2026 - 17:07

Zabbix, el referente global en monitoreo y observabilidad open source, ha confirmado el regreso de su roadshow presencial y gratuito Zabbix Labs a México. Este 2026, la gira se detendrá en Ciudad de México, Guadalajara y Monterrey a partir del 13 de abril, con el objetivo de reunir a todos los profesionales involucarados en temas de monitoreo y observabilidad, operadores y administradores de los entornos TI, para una jornada intensiva (hands-on) de capacitación técnica avanzada.

Para los lectores de Software Gurú, esta iniciativa representa una oportunidad crítica: los datos internos de Zabbix revelan que las empresas que utilizan la plataforma sin vinculación oficial con el fabricante desaprovechan hasta el 80% de su potencial. Zabbix Labs 2026 busca cerrar esa brecha conectando directamente a los usuarios con Zabbix Trainers oficiales.

"El valor de Zabbix Labs México está en la profundidad técnica. Como trainer, interactuar con quienes operan Zabbix a diario es insustituible. Es el espacio perfecto donde transformamos la teoría avanzada en visibilidad absoluta para las empresas mexicanas", destaca Facundo Vilarnovo, Zabbix Trainer oficial.

A diferencia de los típicos eventos corporativos, Zabbix Labs es un entorno de entrenamiento intensivo diseñado para especialistas. El temario de este año, profundiza en las entrañas de la herramienta para resolver desafíos complejos en entornos de producción:

Arquitectura interna de Zabbix Agent 2: Análisis profundo de su desarrollo en Go, creación e implementación de plugins personalizados y control de recolección de métricas en tiempo real.
Pipelines avanzados de SNMP Traps: Configuración experta para el procesamiento de OIDs complejos, permitiendo generar disparadores (triggers) inmediatos ante fallos de hardware o red, eliminando los tiempos ciegos del polling tradicional.
LLD (Low-Level Discovery) Anidado: Técnicas para implementar descubrimientos de bajo nivel en múltiples capas, llevando la automatización de la configuración y el despliegue a una escala superior.
Dashboards Dinámicos: Construcción de paneles interactivos utilizando los nuevos widgets de navegación para lograr un análisis visual más fluido de topologías y servicios críticos.

El core open source como motor del ecosistema

El corazón de Zabbix sigue siendo 100% libre y open source, permitiendo a cualquier organización compilarlo desde su código fuente o instalarlo mediante paquetes. Sin embargo, Zabbix Labs permite ir más allá de la configuración básica, funciona como un puente para que los equipos técnicos entiendan no solo cómo configurar un servidor, sino cómo optimizar la arquitectura, escalar su rendimiento y conocer el ecosistema de soporte, consultoría y la oferta de Zabbix Cloud para servicios Zabbix.

Fechas, sedes y registro

El cupo para estas inmersiones es limitado, por lo que se recomienda a los equipos de ingeniería asegurar su lugar con anticipación:

CDMX: 13 de abril | UACM Del Valle
Guadalajara: 15 de abril | CUCEA
Monterrey: 17 de abril | CHN Hotel Monterrey Centro

¿Listo para llevar tus habilidades de observabilidad al siguiente nivel?

Regístrate de forma gratuita y asegura el lugar para tu equipo en: https://www.zabbix.com/la/events/zabbix_labs_latam_2026

Pedro Galván

De la Teoría a la Práctica: Automatización Analítica con LLMs, RAG y Plataformas de Data Engineering

Fernando — Wed, 04 Mar 2026 21:22:27 +0000

De la Teoría a la Práctica: Automatización Analítica con LLMs, RAG y Plataformas de Data Engineering

Fernando Wed, 03/04/2026 - 15:22

La ingeniería analítica ha experimentado una revolución impulsada por la integración de Modelos de Lenguaje Grandes (LLMs) y técnicas avanzadas como Retrieval Augmented Generation (RAG). Este artículo, basado en una presentación técnica, explora las estrategias adoptadas por un equipo de datos para romper el "cuello de botella" organizacional y acelerar los procesos de negocio mediante la automatización.

El Desafío de la Ingeniería Analítica Moderna

En un entorno de rápido crecimiento, los equipos de datos a menudo se encuentran desbordados por peticiones provenientes de múltiples departamentos. El ingeniero de datos se convierte en un rol multifacético: analista, científico de datos y generador de reportes ejecutivos.

La implementación de LLMs para responder preguntas sobre datos y generar visualizaciones es una solución atractiva, pero presenta un desafío crucial: la necesidad de contexto y la mitigación de las alucinaciones. La práctica demostró que los usuarios ya intentaban obtener resúmenes de reports de Tableau mediante capturas de pantalla en Chat GPT, aunque con resultados inconsistentes y a menudo erróneos.

El problema fundamental radica en que, si bien los LLMs son excepcionales en la generación de texto, históricamente han demostrado ser deficientes en la ejecución de tareas matemáticas precisas y razonamiento lógico sobre conjuntos de datos estructurados (un problema que incluso persistía en modelos avanzados como el GPT-4 en tareas simples de conteo como con la palabra "Strawberry").

Estrategias para Reducir Alucinaciones y Aumentar la Veracidad

Para transformar los LLMs en asistentes analíticos confiables, se exploraron y compararon cuatro enfoques principales:

1. Retrieval Augmented Generation (RAG) Puro

El RAG se establece como una de las soluciones más efectivas para dotar a los LLMs de información específica y actual. El concepto central se basa en la similitud de coseno aplicada a la representación vectorial (embeddings) del texto.

Proceso RAG Simplificado	Descripción
Paso 1: Embedding	La pregunta del usuario se transforma en un vector (vector A).
Paso 2: Recuperación (Retrieval)	El vector A busca en una base de datos vectorial (ej. ChromaDB) los vectores de contexto más similares dentro de los documentos o el data warehouse.
Paso 3: Aumento (Augmentation)	La información contextual recuperada (vectores similares) se concatena con la pregunta original y se envía al LLM (ej. Llama o GPT).
Paso 4: Generación	El LLM genera una respuesta basada en el contexto aumentado, incrementando significativamente la veracidad.

Implementación Técnica: Se utilizaron herramientas como LangChain para orquestación, OpenAI Embeddings para la vectorización, y ChromaDB como vector store.

Hallazgos Clave: Si bien las respuestas eran buenas en términos de descripción de datos (ej. attendance en distritos escolares), persistía el problema con la precisión matemática y los costos de API (latencia y token usage) no eran despreciables.

2. GPTs Personalizados de OpenAI

Esta solución representó un camino de baja fricción para agregar valor rápidamente. Permite la creación de asistentes especializados (GPTs) que restringen su dominio de conocimiento a la información provista, actuando como una forma simplificada de RAG.

Ventaja Fundamental: Se instruye al LLM para que, en lugar de realizar cálculos directamente, genere código (ej. Python) para manipular los datos. Este código es ejecutado por el sandbox del GPT, permitiendo que un intérprete de código haga las matemáticas, aprovechando la fortaleza del LLM en la generación de texto (código) y minimizando su debilidad en el cálculo.

Desafíos: La solución es sencilla ("2 minutos en hacer un prompt" y subir un CSV), pero plantea serios interrogantes sobre la conectividad a bases de datos en tiempo real y la protección de datos de usuarios internos. La evaluación de las gráficas y resultados generados sigue requiriendo intervención humana.

3. Asistentes de Open AI con SQL Generation

El siguiente nivel de sofisticación implicó la creación de un asistente a través de la API de Open AI, combinando RAG con la capacidad de generar consultas SQL.

Flujo de Trabajo: La consulta del usuario se vectoriza, se recupera el contexto relevante y, en lugar de una respuesta directa, el asistente retorna una query SQL (o JSON, Pydantic).

Beneficios: Este método resultó ser más preciso, ya que la ejecución del SQL ocurría directamente en el data warehouse, externalizando las operaciones de cálculo al motor de base de datos. Se lograba un mayor control sobre el output.

Consideraciones de Costo y UX: Aunque más preciso, el consumo de tokens seguía siendo significativo. Además, la necesidad de una Interfaz de Usuario (UI) propia era imperativa, ya que un Jupyter Notebook no es un entregable viable para el usuario final.

4. Cloud Desktop y el Protocolo MSP con DBT

La solución más prometedora en términos de eficiencia para el ingeniero de datos combinó herramientas de Antrophic con la infraestructura analítica existente.

Model Context Protocol (MCP): Anthropic desarrolló este protocolo de código abierto, apodado el "USB para LLMs", que permite la conexión con fuentes de datos externas (Slack, Gmail, bases de datos).

Integración con DBT (Data Build Tool): DBT, fundamental en la ingeniería analítica moderna, actúa como un framework de ingeniería sobre el SQL, añadiendo testing, integración continua (CI/CD) y documentación a los modelos de datos. Al conectar Cloud Desktop a DBT a través de MSP, el LLM accede a toda la metadata (tablas, esquemas, relaciones) del data warehouse.

Resultados Transformadores:

Generación de SQL de Alta Calidad: El agente genera queries SQL complejas con gran precisión.
Aceleración del Modelado: El agente puede recibir la instrucción "Ayúdame a construir un modelo de agregación" y, en segundos, proponer código Jinja/SQL para crear nuevos modelos de datos (ej. customers_cohors), eliminando tareas que antes consumían días.
Valor para el Ingeniero: Esta herramienta proporciona un valor inmediato a los ingenieros y analistas, integrándose con editores de texto para co-generar código en tiempo real.

Riesgo Crítico: Exposición de Datos (Compliance)

A pesar de su velocidad y precisión, esta arquitectura presenta una debilidad crítica: la exposición de datos sensibles. El funcionamiento de MCP implica que, potencialmente, toda la información del data warehouse puede ser expuesta al LLM. Para organizaciones sujetas a estrictas regulaciones de seguridad (como Sock 2 Compliant), esta solución no es viable para la conexión directa en producción a datos de usuario.

Conclusiones y Herramientas Finales

La búsqueda de una solución que ofreciera precisión, seguridad y una experiencia de usuario final robusta llevó a la adopción de plataformas cerradas de data analysis.

Hex.com: Una plataforma que se conecta directamente al data warehouse, ofreciendo una experiencia similar a Jupyter Notebooks con generación de código y visualizaciones impulsadas por LLMs.

Ventajas de la Plataforma Elegida (Hex)	Impacto
Conexión Directa al Warehouse	Elimina la complejidad de implementar RAG o MSP.
Información Actual	Garantiza la frescura de los datos.
SOC 2 Compliant	Los datos se mantienen dentro de los servidores del cliente, no en los de la API del LLM.
Costo de Infraestructura Bajo	Optimización de recursos frente al uso intensivo de APIs.

Conclusión Final

Internamente, el equipo adoptó una solución híbrida:

Hex: Para la automatización de procesos de business intelligence y el streamlining de workflows de datos (ahorrando miles de dólares en licencias de Tableau).
Combinación de Hex y Open AI: Para tareas específicas de ingeniería de código y SQL, donde el ingeniero retiene el control de las queries.

El imperativo para cualquier implementación de agentes LLM es la evaluación. Es fundamental un riguroso proceso de monitoring, red teaming y evaluación de código (utilizando frameworks como Target o Spider) para asegurar la veracidad y mitigar los riesgos de drift y error. La automatización es poderosa, pero la supervisión experta sigue siendo irremplazable.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Ángel Alvarado

Structura y Game Patterns en tech: por qué no todos encajamos en la misma estructura organizacional

Fernando — Wed, 04 Mar 2026 18:19:56 +0000

Structura y Game Patterns en tech: por qué no todos encajamos en la misma estructura organizacional

Fernando Wed, 03/04/2026 - 12:19

En latín, Structura no se refería solo a columnas o edificios, sino al orden interno que sostiene algo: la forma en que cada pieza se acomoda para que el conjunto funcione.

_{El Partenón.}

_{Tomado de:

https://historia.nationalgeographic.com.es/a/partenon-simbolo-grandeza-antigua-atenas_18591}

Cada organización (startup, consultoría, transnacional, gobierno, fintech, ONG) tiene una structura propia: reglas visibles e invisibles, ritmos, incentivos, jerarquías, libertades y límites.

Y así como no todos encajamos en la misma arquitectura física, tampoco todos encajamos en todas las arquitecturas organizacionales.

Anécdota 1

Hace algunos años trabajaba en una empresa de producto. Para quien no tenga claro de qué va trabajar en una empresa de producto: Aquí tu rol consiste en garantizar que el cliente implemente correctamente lo que ya existe (lo que el producto ofrece).

Si la consultoría es trabajar con restricciones, trabajar para una empresa de producto es trabajar con otro tipo de restricciones.

Tu margen de acción suele ser claro: acompañar, orientar, explicar, resolver dentro de los límites del catálogo del producto.

Pero lo que queda fuera de alcance, por políticas naturales del modelo, es:

Sugerir cambios o extensiones al producto.
Recomendar alternativas tecnológicas “más eficientes”.
Proponer soluciones creativas fuera del roadmap.
“Destrabar” con hacks de emergencia mientras llega un fix.

En consultoría, en cambio, todo eso sí es parte del trabajo; de hecho, para eso estás ahí, para resolver con lo que sea.

La consultoría vive de buscar opciones, destrabar situaciones y "mantener al cliente contento" con lo que se pueda lograr dentro del tiempo disponible y con la infraestructura que se tenga en ese momento, todo esto en un contexto muy cercano al cliente. Son dos esquemas mentales completamente distintos.

Yo venía de consultoría. Y sin darme cuenta, seguía actuando como consultor.

En un 1:1, mi manager, en tono neutral, cumpliendo su labor de guía, me dijo: “Parece que aún no te adaptas a este ecosistema. Aquí no estamos haciendo consultoría. Quizá deberías preguntarte si este modelo es adecuado para ti.”

Lo que para mí era natural: proponer rutas alternas, acercarme al cliente, buscar atajos seguros, en ese contexto podía generar ruido, porque la coordinación con el cliente tenía dueños claros y canales definidos.

No siempre estás haciendo mal tu trabajo. A veces, la estructura donde estás no recibe bien lo que tú estás acostumbrado a aportar.

Si eres recién egresado o estás comenzando tu carrera (incluso si llevas años en esto, es momento de que lo reflexiones), vale la pena tomar nota:

El lugar donde trabajas define qué comportamientos se premian y cuáles generan ruido.

Anécdota 2

Si has leído esta serie, ya habrás notado que he tenido la suerte de trabajar en equipos pequeños y altamente cohesionados, donde la confianza y la comunicación clara son los pilares principales. Lo curioso es que casi siempre esos equipos eran muy pequeños: no más de 7 personas en el primer círculo de interacción.

Parte del motivo de estos posts es compartir lo que he visto funcionar en ese tipo de equipos. Cuando hay confianza, la comunicación fluye.

Y cuando la comunicación fluye, la Ley de Conway hace su magia:

El sistema refleja la armonía del equipo que lo construye.

Nada nuevo bajo el sol, pero pocas veces se dice en voz alta. Varias empresas (especialmente las grandes) han intentado institucionalizar esta cohesión.

Un ejemplo de esto es lo que conocimos como el Spotify Model (Squads, Tribes, Chapters, Guilds). Spotify nunca lo planteó como un método formal, pero su forma de organizar a los equipos se volvió referencia mundial. El objetivo: células pequeñas, autónomas, con alto alineamiento y colaboración, justo los ingredientes de un equipo excepcional.

Lo menciono no para glorificarlo (Spotify ya aclaró que ya no opera exactamente así, y la intención nunca fue que lo copiaran), sino para resaltar algo importante:

Las empresas grandes buscan diseñar lo que las pequeñas suelen lograr de forma orgánica.

Y, a riesgo de equivocarme, hay algo que debemos tener presente: puedes diseñar estructuras, ceremonias y manuales… Pero no puedes forzar la confianza entre las personas.

Lo que sí puedes hacer es crear un entorno donde esa confianza pueda crecer sola: espacios seguros, roles claros, autonomía real y tiempo para que el equipo aprenda a respirar en sincronía.

La estructura ayuda, pero la cohesión siempre nace de lo humano.

Los patrones invisibles

En toda organización existen fuerzas invisibles que determinan cómo se trabaja y qué resultados se obtienen. No siempre están en un documento; muchas veces viven en la cultura, en la dinámica social o incluso en los silencios.

Cómo interactúan las personas. Si predominan las interrupciones, la comunicación pasivo-agresiva o la colaboración genuina.
¿Qué incentivos existen (y cuáles son realmente recompensados)? A veces se premia “entregar rápido”, otras “no romper nada” y en otras “no meterse en problemas”.
Qué restricciones operan, incluso las no escritas. “No molestes a tal área”, “este camino siempre toma tres semanas”, “esto lo decide X aunque no esté en su rol”.
¿Cómo se usa la tecnología (o cómo se teme usarla)? Si se privilegia la experimentación o si toda innovación se percibe como riesgo.

Estos factores, muchos de ellos casi invisibles, suelen influir más que cualquier organigrama. Veamos unos ejemplos.

Recuerdo mucho que en una empresa donde estuve, todo el mundo leía manuales. Todo el tiempo que fuera posible. Manuales y tutoriales. Trabajábamos con un app server que cambiaba de versión cada par de años y teníamos clientes en distintas versiones; no bastaba conocer la última; era necesario dominar al menos tres versiones hacia atrás.

No me sorprendía que todos leyeran manuales incluso en sus ratos libres. Conocía al CTO y sabía que eso mismo hacía él, incluso durante los traslados entre oficinas y clientes. Lo interesante es que creo que nadie se daba cuenta de que ya existía un patrón que todos repetían sin que nadie lo pidiera.

Era parte de la cultura de la empresa, una cultura implantada por observación:

Si el CTO lo hace, yo también puedo hacerlo y eso es lo que aquí se espera de mí.

En una startup donde estuve después, el CTO era mentor antes que CTO. Creo que ya lo he comentado en algún otro post: cual maestro romano, había días en que las primeras dos horas del día (o incluso a la hora de la comida) nos pedía que comiéramos todos juntos en una sala y, mientras compartíamos algo, nos mostraba alguna tecnología que le parecía interesante o digna de compartir.

Eso propició que fuera normal que, casi todos los días, alguien pidiera ayuda en la sala de juntas. Sin miedo a la burla ni al “no tengo tiempo”. Era natural usar el monitor, el plumón, el pizarrón. Esa sala terminó siendo más salón de clases que sala de juntas.

Un ejemplo más. Quizá no lo sepas si llevas poco tiempo en este gremio, pero en el mundo laboral existe desde siempre una especie de leyenda urbana: se cuenta que hay empresas que, de forma sistemática, despiden cada año a un porcentaje mínimo de su plantilla con el objetivo de “promover la eficiencia”. Las personas que, según las métricas de la empresa, tienen menos puntos son las que se sacrifican para dar este mensaje.

Más allá de si esta práctica es real o generalizada, vale la pena pensar en el tipo de comportamientos que un incentivo así podría generar. Si a mitad de año tu atención está puesta en si superas o no la media, el foco deja de estar en aprender o colaborar y pasa a estar en sobrevivir dentro del sistema.

En contextos así, no es raro que emerjan dinámicas defensivas: menor disposición a ayudar, competencia interna mal entendida o aversión al riesgo. No porque las personas sean así, sino porque el sistema empuja en esa dirección.

Estos son los famosos game patterns.

En la teoría de sistemas y en el pensamiento organizacional, los game patterns son reglas ocultas que estructuran el juego, aunque nadie las haya escrito explícitamente. Son patrones de comportamiento que emergen cuando las personas responden a un sistema de incentivos, presiones, recompensas y castigos.

Un game pattern no es una política formal: es una dinámica que se repite sin que alguien la haya decretado.

Cuando empiezas a ver los game patterns de una organización, te das cuenta de algo inquietante:

Muchos comportamientos que interpretamos como "problemas personales" son, en realidad, respuestas racionales a un sistema mal diseñado (o al menos, un sistema que se aleja de nuestra forma habitual de trabajar).

Es decir:

No es que a la gente no le guste pedir ayuda; es que aprendió que si pide ayuda se lo comunicarán a su manager, diciendo que “no sabe nada”.
No es que a la gente no le guste innovar, es que el sistema castiga el error más de lo que premia el intento.
No es que los equipos “no tengan iniciativa”, es que cualquier iniciativa es vista como “quieren destacar” y eso no se permite acá.

Para evitar caer en interpretaciones superficiales, necesitamos un modelo que nos permita comprender cómo las estructuras moldean el comportamiento.

Ahí es donde entra uno de los marcos más útiles en ingeniería de software moderna.

Westrum’s Typology y sus tres culturas organizacionales

El sociólogo Ron Westrum propuso que las organizaciones pueden clasificarse según cómo fluye la información dentro de ellas. Y ese flujo determina, más que nada, el tipo de comportamiento que emerge.

Westrum describe tres tipos de cultura:

Patologica.
Burocrática y
Generativa.

_{Information flow cultures - Ron Westrum.}

_{Imagen tomada de: Information Flow Cultures - Ron Westrum. https://www.youtube.com/watch?v=gKH3Y4G8TfI}

1. Patológica (basada en el poder)

La información se oculta.
Se culpa al mensajero.
Prevalece el miedo.
Innovar es peligroso.
Los errores se esconden.

En estas organizaciones, los game patterns suelen ser del tipo: “No destaques”, “No levantes la mano”, “Haz lo mínimo para sobrevivir”.

2. Burocrática (basada en reglas)

La información se transfiere lentamente.
Las reglas importan más que los resultados.
Los procesos pesan más que las personas.
Casi todo se puede hacer… si llenas el formulario correcto.

Aquí los game patterns tienden a ser: "Sigue el proceso, aunque no tenga sentido", "No asumas nada", "No te salgas del carril".

3. Generativa (basada en la colaboración y el rendimiento)

La información fluye rápido.
Los errores se analizan sin castigos.
La experimentación es segura.
Los equipos trabajan con propósito compartido.

Sus game patterns se ven así: "Preguntar es bueno", "Mejorar es responsabilidad de todos", "Compartir información nos hace más fuertes".

Por cierto, el libro "The Software Engineer’s Path" en el capítulo titulado "Three Maps" ahonda también en esta teoría.

_{The Software Engineer’s Path. Tanya Reilly. O’Reilly}

Puedes descargar el paper de Ron Westrum aquí:

A typology of organisational cultures. R Westrum. 2005. https://www.researchgate.net/publication/8150380_A_Typology_of_Organisational_Cultures

En el mundo real

Los patrones que observas en el día a día (cómo se decide, cómo se debate, cómo se escala un problema, cómo se reconocen los logros) no son aleatorios.

Son síntomas de una cultura subyacente (según Westrum).

Si ves miedo: cultura patológica.
Si ves lentitud: cultura burocrática.
Si ves aprendizaje rápido: cultura generativa.

Y uno necesita aprender a identificar en cuál está. Porque tu bienestar, tu eficacia y tu crecimiento dependen directamente de esa estructura invisible.

El problema

Muchos de los dolores profesionales no vienen de hacer mal el trabajo, sino de hacerlo en la estructura equivocada.

La mayoría de nosotros, en algún punto, hemos pensado:

¿Por qué me siento tan lento aquí?
¿Cómo es posible que antes rindiera más?
Creo que ya no soy tan bueno como pensaba.
¿Por qué no puedo hablar con el cliente de manera directa?
¿Por qué tengo que señalar las deficiencias de mis compañeros?
¿Por qué está mal quejarse con el dueño/Country Manager?

Y, sin embargo, en muchos casos tu habilidad no cambió. Lo que cambió fue el tablero del juego.

Hace unos momentos mencionamos que “el lugar donde trabajas define qué comportamientos se consideran mejores que otros”. Conociendo ahora la teoría de Westrum, podemos tomar mejores decisiones en la búsqueda de un lugar de trabajo.

Imagina que eres de los que les fascina probar varias cosas al mismo tiempo y/o que les cuesta enfocarse en una sola tarea; muy probablemente, trabajar en una empresa burocrática genere fricciones con tu manager o con los compañeros que tienen más tiempo.

Quizá eres más introvertido; te gusta tener tu backlog claro, tu stack de herramientas, tu tacita de café, tener un checkpoint semanal y listo… ¡A darle! En una empresa con una cultura generativa, esas actitudes posiblemente serán vistas como “focos rojos”. Lo mismo ocurriría si entras a una empresa y te piden hacer cosas nuevas, distintas a tu perfil… Es probable que te niegues o que se comience también a generar fricción.

La intención, pues, de Structura es reconocer que la cultura de la empresa debe empatar con la nuestra para poder dar de manera orgánica nuestro máximo potencial.

Consejos para empezar a salir del modo “fricción”

No cambiarán toda la estructura, pero sí tu experiencia dentro de ella.

1. Limita tu WIP (Work in Progress)

Menos cosas abiertas = más cosas terminadas. La estructura rara vez limita el WIP por ti; debes hacerlo tú.

Acá aplica un clásico: “Si todo urge, nada urge”. Es preciso jerarquizar tus actividades e indicar claramente con cuáles iniciarás.

2. Promueve desde tu trinchera la colaboración.

No es teoría. Funciona.

Comparte con tus compañeros un manual o tutorial tuyo, no importa que sea pequeño.
Propón revisiones conjuntas y/o ayuda a alguien atorado.
Sugiere demos en vivo, de lo tuyo o de alguien más.

Estas prácticas reducen la fricción sin pedir permiso al organigrama.

Prueba uno de estos puntos y observa qué pasa; quizá te sorprenda lo que ocurra después.

Un recordatorio final

No puedes arreglar toda la estructura. Pero sí puedes navegarla, moldearla en tu círculo más cercano (si ya tienes squads, saca provecho de eso) y elegir conscientemente cuándo quedarte… o cuándo es momento de buscar otro tablero.

Esto no significa que, ante la primera incomodidad, debas cambiarte de empresa. También hay espacio para la creatividad: intentar adaptarte mejor, aplicar lo que hemos visto y explorar hasta dónde la estructura permite crecer.

Y si no es posible, vale la pena hacer un análisis honesto: qué sí te gustó de la estructura actual, qué no, y comenzar a buscar un lugar donde, como me decía una querida amiga, puedas florecer por completo.

Toma en cuenta que uno también cambia con el tiempo. Quizá después de pasar por una startup hoy buscas estabilidad financiera (más varo) o mentoring formal, y una transnacional o una Big Tech encaja mejor contigo. O tal vez comenzaste en una Big Tech y ahora quieres ir al gobierno para intentar mejorar procesos desde dentro (o tener claro qué días vas a descansar, también se vale). También puede ocurrir lo contrario: pasar años en el gobierno y sentir la necesidad de trabajar en una startup con lo más reciente en tecnología, aunque eso implique no tener un horario definido ni 10 días de PTO al año (y que te cambien las prioridades cada 3 días).

También es posible que, tras un periodo complicado, decidas volver al tablero que conoces mejor, no por ambición, sino por estabilidad.

El punto no es juzgar ninguna de estas decisiones, sino entenderlas. Adaptarse es necesario, pero adaptarse sin comprender la estructura de la organización suele llevar a la frustración.

Cuando conocemos la estructura de una empresa (sus incentivos, límites y ritmos), podemos adaptarnos de forma consciente y ordenada, en lugar de ir dando tumbos, como decimos en México.

En el Istmo

En el Istmo, las velas y sus mayordomías nos enseñan algo de alta diplomacia: no toda diferencia con otro requiere eliminar al otro.

Cuando una mayordomía crece o cuando parte de sus integrantes ya no se sienten cómodos con la línea ideológica o con la forma de organización, muchas veces no hay un gran pleito ni reproches prolongados.

Se llega a un acuerdo, se establecen las distancias y se crea otra versión de la misma celebración.

_{Calendario de las Fiestas de Mayo 2025.}

_{Regiduría de Turismo. H.C. Juchitán de Zaragoza, Oaxaca. México}

Así aparecen celebraciones como “Vela San Vicente Ferrer Gola Lado Norte” y “Vela San Vicente Ferrer Gola Lado Sur”. No se cancelan entre ellas; siendo honestos, sí existe un halo de “deberían venir con nosotros”, pero incluso con eso, ambas celebran al mismo santo: San Vicente Ferrer, santo patrono de Juchitán de Zaragoza.

Se modifica la estructura, pero se conserva el propósito (y las promesas de los mayordomos); se amplía la celebración (2 velas, 2 regadas de frutas, 2 misas, 2 de todo) y el pueblo tiene más opciones para esa gran noche.

La estructura importa. Pero también importa recordar que siempre tenemos la posibilidad de elegir cómo habitarla… o cuándo buscar otra.

Un pájaro en el agua se ahoga. Un pez en el aire se asfixia. Busquemos el sitio donde verdaderamente nos sintamos vivos.

— Alejandro Jodorowsky.

-- -

Omnia sunt communia.

@rugi

Isaac Ruiz Guerra