12 de octubre de 2026

Marte gira cada año un poco más rápido y la culpa es de su pasado volcánico, según un estudio

Marte gira cada año un poco más rápido y la culpa es de su pasado volcánico, según un estudio

En Marte se encuentra el volcán más grande del Sistema Solar, el Monte Olimpo. Su nombre divino encaja a la perfección con su magnificencia, pues tiene ni más ni menos que 600 kilómetros de diámetro y alrededor de 22 kilómetros de altura. Más de dos veces la altura del Everest. Si eso entrase en erupción, los orbitadores que vigilan el planeta desde fuera captarían imágenes abrumadoras, eso está claro. Sin embargo, aunque podría ocurrir en un futuro, es poco probable que lo haga pronto. Ni este ni el resto de volcanes de Marte se han confirmado como activos. Pero sí que hay algo que se mueve bajo el suelo marciano. Y si tenemos en cuenta que no tiene placas tectónicas, estas montañas escupidoras de fuego cobran un papel relevante. 

Mucho más que el Monte Olimpo. En realidad, el Monte Olimpo es el volcán más colosal de Marte, pero no el único. El planeta entero es territorio volcánico, por lo que tiene varios puntos calientes. Nunca mejor dicho. Entre ellos destacan mayormente Tharsis y Elysium Planitia. La primera es una extensa región cercana al ecuador del planeta rojo, cubierta por todo tipo de volcanes. Justamente ahí, en su borde occidental, se encuentra el Monte Olimpo. No obstante, también cuenta con Alba Mons y los Montes Tharsis (Arsia Mons, Pavonis Mons y Ascraeus Mons).

Con respecto a Elysium Planitia, es una llanura extensa que también está cerca del ecuador, pero en el lado opuesto a Tharsis. Destaca por tener una zona volcánica, con el volcán Elysium Mons ubicado al norte, y también un sistema de fracturas llamado Cerberus Fossae, donde se ha detectado actividad tectónica e incluso volcánica recientemente. Es importante conocer estas dos regiones, pues la mayor parte de estudios sobre la actividad volcánica y sísmica de Marte se han llevado a cabo ahí.

Miles de martemotos. La sonda InSight, de la NASA, se envió a Marte para estudiar multitud de datos, pero prestó especial atención a su actividad sísmica. Al contrario de lo que ocurre con los rovers, este robot estaba fijo en su lugar de aterrizaje, precisamente en Elysium Planitia. Por eso, ya que el sismógrafo es uno de sus instrumentos principales, pudo aprovechar para analizar a fondo esa región. Llegó a detectar 1.300 martemotos, la mayoría de ellos muy pequeños e ilocalizables. De lo que sí se pudieron localizar, una gran cantidad eran procedentes de Cerberus Fossae.

Posteriormente se realizaron numerosos análisis en los que se sugería que toda esa actividad geológica podría tener relación con una pluma del manto ubicada bajo Elysium Mons. Las plumas son columnas de roca más caliente y menos densa que el resto del manto, que sube desde las profundidades y puede salir al exterior a través de grietas. Según un estudio publicado en 2022, de esta pluma de Elysium Mons saldrían también diques que se extenderían por todo Elysium Planitia. 

Muchísimo más caliente. Ese mismo año, se publicó un estudio en Nature Astronomy en el que se describía aún mejor esta pluma. Se señalaba que, posiblemente, mide 4.000 km de diámetro y tiene entre 200 y 500 km de espesor. Además, su temperatura sería enorme, de 95 a 285ºC más que el resto del material del manto.

También en Tharsis. En otro estudio publicado en 2022, se describe actividad volcánica joven, de unos 27 millones de años (sí, eso es joven en estos términos) cerca del Monte Olimpo. Se apuntaba a que esto podría deberse a la presencia de sistemas de magma bajo el Monte Olimpo y los Montes Tharsis. Más tarde, en 2024, se publicó un trabajo en el que se combinaban datos de varias misiones marcianas con las mediciones de InSight. En él, se sugería la existencia de una masa ligera de unos 1.750 km de ancho, a 1.100 km de profundidad, que estaría empujando hacia arriba toda la región de Tharsis. 

Los efectos sobre Marte. Curiosamente, una parte de esta actividad geológica podría estar provocando que Marte gire un poco más deprisa cada año. En concreto, según una investigación presentada en 2026, se debería a la presencia de una pluma de roca flotante que se encuentra bajo Tharsis. 

No hay volcanes activos. Es importante destacar que el hecho de que haya actividad geológica en el manto del planeta no quiere decir que ninguno de sus volcanes esté activo. Mantenerlos bajo lupa es interesante, pero no para estar atentos a un estallido que probablemente no veamos. Sino por todo lo que implica para entender mejor el primer planeta al que nos gustaría viajar en algún momento. 

Imágenes |  ESA/DLR/FUBerlin/AndreaLuck

En Xataka | En 2011, un coleccionista compró en Marruecos un meteorito. Ha resultado ser una prueba directa de agua termal en Marte

-
La noticia Marte gira cada año un poco más rápido y la culpa es de su pasado volcánico, según un estudio fue publicada originalmente en Xataka por Azucena Martín .



☞ El artículo completo original de Azucena Martín lo puedes ver aquí

La gran paradoja de la IA es que creará más empleo del que destruye. El problema es que casi nadie está preparado

La gran paradoja de la IA es que creará más empleo del que destruye. El problema es que casi nadie está preparado

A principio de los años 80, los contables vieron amenazados sus puestos de trabajo por la llegada de una nueva herramienta que lo cambiaría todo: la hoja de cálculo. El trabajo que un empleado antes hacía a mano en un día, con la nueva herramienta salía en segundos. Los departamentos de cálculo manual desaparecieron, pero los contables, que parecían los siguientes en extinguirse, se quedaron desarrollando otros roles.

Casi medio siglo después, la IA reabre aquel miedo, y esta vez la amenaza apunta a todo el mercado laboral a la vez. Un informe de McKinsey ha intentado medir ese impacto y sus conclusiones nos llevan a los mismos resultados que ya descubrieron los contables al principio de la era informática.

Las cuentas salen a favor. McKinsey calcula que, hasta 2035, la automatización que permitirá la IA restará una demanda equivalente a 36 millones de empleos solo en EEUU. Esa cifra es una equivalencia en horas de trabajo que ya no harán falta debido al ahorro de tiempo que proporciona esa automatización, no a personas despedidas.

De esos 36 millones de empleos, unos 25 millones se compensan dentro de la misma profesión. Es decir, las tareas que desarrolla cada empleado en su puesto cambia, pero quien lo ocupa sigue en él. Según los datos de McKinsey, 11 millones de esos empleos, el equivalente a un 6,5% de la población activa de EEUU, tendrían que volver a formarse y cambiar de profesión. Por eso McKinsey sostiene que "el desafío de la próxima década es la movilidad [de empleo], no la escasez".

Automatizar no siempre acaba en despido. Las conclusiones del estudio de McKinsey coinciden con las del estudio de 2025 del Foro Económico Mundial en concluir que, más que afrontar una destrucción neta de empleo, el impacto de la IA irá dirigido al desplazamiento de unos 92 millones de empleos en todo el mundo, que necesitarán formarse en nuevas habilidades y roles.

Un trabajo no se limita a una sola tarea, sino que se compone de un paquete de ellas. Si la IA elimina las más rutinarias y repetitivas, el resto sigue en manos humanas. Es el caso del criterio, la supervisión o el trato con el cliente. Además, cuando una tarea se abarata, el mercado tiende a demandarla más. Los economistas lo llaman efecto Jevons.

Para McKinsey, el desarrollo de software es un buen ejemplo de lo que se avecina. Tras desplomarse desde 2022, las ofertas de programador en la plataforma de empleo Indeed repuntaron casi un 15% desde febrero de 2025, mientras que el total de empleo bajó un 7%. Aun así, el sector sigue un 27,5% por debajo de los niveles previos a la pandemia, y el 71% de ese incremento de demanda se centra en puestos sénior. Es decir, el repunte favorece a quien ya tiene experiencia, mientras que los júnior son los que más notan la caída porque la IA asume aquellas tareas básicas con las que antes aprendían.

Pocos tienen un camino directo. No obstante, que haya trabajo no basta si no hay forma de llegar a él. McKinsey clasifica las rutas de cambio de empleo en tres tipos:
directa, indirecta y sin pavimentar.

La vía directa implica poca formación y no baja el sueldo ya que son puestos muy similares de base, con cambios en las tareas. La ruta sinuosa exige al candidato una nueva formación para adaptarse a un puesto completamente distinto y aceptar un salario inferior al del puesto anterior. La más complicada es aquella que no está pavimentada, que suma grandes brechas de habilidades, más esfuerzo en la obtención de certificados y nuevos conocimientos y recortes de sueldo.

El estudio estima que solo uno de cada siete empleados tendrá acceso directo a un nuevo puesto, mientras el 41% de los empleados afrontará la indirecta y el 45% asumirá la vía sin pavimentar.

Los más afectados son los que menos ganan. Los datos del estudio apuntan a que más del 75% de quienes deberían cambiar de oficio trabajan en administración, comercio y transporte, puestos en su mayoría mal pagados. Un trabajador con sueldo bajo tiene 7,6 veces más probabilidades de verse en ese caso que uno bien pagado. Y solo el 10% del tramo más bajo tendría una ruta directa hacia un nuevo puesto, frente a casi el 40% del quintil salarial más alto.

España tampoco queda al margen. El primer estudio sobre su mercado laboral calcula entre 1,7 y 2,3 millones de empleos desplazados hasta 2035. Se crearían 1,61 millones de nuevas ocupaciones, pero acceder a ellas exige más estudios. El estudio de Funcas admite que el saldo final de empleo "depende de la velocidad de los procesos de formación y reasignación laboral", es decir, de la rapidez con la que empresas y empleados afronten ese cambio de roles y competencias profesionales.

En Xataka | El cine, los libros y la música tienen un problema común: 200.000 empleos menos desde que usamos ChatGPT

Imagen | Unsplash (Compagnons)

-
La noticia La gran paradoja de la IA es que creará más empleo del que destruye. El problema es que casi nadie está preparado fue publicada originalmente en Xataka por Rubén Andrés .



☞ El artículo completo original de Rubén Andrés lo puedes ver aquí

La IA de voz en los call centers ya existe, pero sigue cortando conversaciones y perdiendo palabras clave críticas

La IA de voz en los call centers ya existe, pero sigue cortando conversaciones y perdiendo palabras clave críticas

Los call centers llevan años prometiendo que la IA de voz va a reemplazar a los operadores humanos. La realidad en 2026 es más matizada: la tecnología existe, está desplegada en millones de llamadas al día, y tiene un problema persistente que nadie ha resuelto todavía. Lo explican en una entrevista reciente Shawn Wen, CEO de PolyAI, y Alex Gay, CEO de Otter.ai: los sistemas de reconocimiento automático de voz (ASR) siguen cometiendo errores en las palabras que más importan.

Un sistema de IA de voz puede gestionar perfectamente un flujo de preguntas y respuestas predecibles. Pero cuando el cliente dice el nombre de un medicamento poco habitual, una referencia de producto con caracteres alfanuméricos o una petición fuera del guion, el ASR tiende a ignorar o mal transcribir exactamente esas palabras. El resultado es una conversación que parece funcionar hasta que no funciona, y en el peor momento posible: cuando el cliente necesita algo concreto y urgente.

He probado más de una docena de sistemas de IA conversacional para call centers desde 2023, tanto en entornos de prueba como en llamadas reales como cliente, y el patrón es consistente. El sistema maneja el «sí, mi número de cuenta es…» perfectamente. Falla en «el problema es con el Lyrica de 150 mg» o «el número de seguimiento es XK7421-B».

Los call centers están adoptando IA de voz más rápido de lo que los clientes se dan cuenta

PolyAI es una de las empresas líderes en IA conversacional para empresas, con clientes en el sector hotelero, sanitario, de telecomunicaciones y retail. Su sistema gestiona llamadas completas sin intervención humana en escenarios bien definidos: reservas, consultas de estado de pedido, cambios de cita, preguntas frecuentes. El CEO Shawn Wen apunta que en los últimos dieciocho meses la adopción entre grandes empresas ha pasado de proyectos piloto a despliegues en producción que manejan millones de llamadas mensuales.

Otter.ai tiene un perfil diferente —originalmente una herramienta de transcripción para reuniones— pero ha extendido sus capacidades de análisis de voz en tiempo real a entornos de atención al cliente, donde se usa para asistir a operadores humanos con transcripción en directo y detección de sentimiento. Alex Gay señala que la combinación de IA de apoyo al agente humano y IA de reemplazo total del agente coexiste en muchas empresas: no es un camino de uno u otro, sino de capas.

Crear un asistente de voz con IA para tu empresa ya era técnicamente accesible en 2024. Lo que ha cambiado en 2026 es el nivel de fiabilidad en entornos no controlados y el coste por llamada, que ha bajado de forma significativa con los modelos más eficientes de las plataformas líderes.

¿Por qué la IA de voz sigue cortando conversaciones y perdiendo palabras clave?

El problema técnico tiene dos capas. La primera es el ASR: los modelos de reconocimiento de voz tienen un vocabulario de entrenamiento que cubre el lenguaje común, pero lucha con nombres propios poco frecuentes, terminología especializada, números de referencia alfanuméricos y acentos muy marcados. Cuando el sistema no reconoce una palabra con suficiente confianza, tiene dos opciones: hacer una suposición (que puede ser errónea) o ignorar esa parte del audio. En los escenarios críticos —un número de cuenta, el nombre de un medicamento, una referencia de reclamación— cualquiera de las dos opciones crea fricción o error.

La segunda capa es la comprensión semántica en tiempo real. El modelo de lenguaje que interpreta la transcripción del ASR trabaja con una secuencia de palabras que puede tener errores silenciosos. Si el ASR transcribe «Lyrica 150» como «Lirika ciento cincuenta» o simplemente pierde el número, el modelo de lenguaje que intenta entender la petición del cliente ya parte de una información incorrecta.

Los sistemas full-duplex —donde la IA puede hablar y escuchar al mismo tiempo, sin los turnos rígidos del diálogo tradicional— existen técnicamente y están en producción en algunos sistemas de PolyAI. Pero introducen un problema nuevo: la IA necesita razonar sobre lo que el cliente está diciendo mientras todavía lo está diciendo. La velocidad de razonamiento de los modelos actuales genera una latencia de respuesta que el usuario percibe como que «la máquina va lenta». En llamadas de alta emoción —reclamaciones, urgencias médicas— esa latencia es suficiente para deteriorar la percepción de calidad.

Full-duplex existe, pero la velocidad de razonamiento sigue siendo el cuello de botella

La diferencia entre una conversación humana fluida y una interacción con IA de voz es principalmente latencia. Un humano procesa lo que le dicen y responde en milisegundos. Los mejores sistemas de IA de voz actuales tienen latencias de entre 300 y 800 milisegundos desde que el usuario termina de hablar hasta que la IA empieza a responder. En conversaciones telefónicas, el umbral de incomodidad está alrededor de los 200 milisegundos: por encima, el silencio se percibe como pausa incómoda o posible desconexión.

La industria está trabajando en dos frentes para reducir esta latencia: modelos de lenguaje más pequeños y especializados para dominios concretos (que razonan más rápido porque tienen menos espacio de búsqueda) y arquitecturas de streaming donde el modelo empieza a generar la respuesta antes de recibir la oración completa del usuario. Ninguno de los dos frentes ha alcanzado todavía los 200ms de forma consistente en entornos de producción real.

¿Cuándo veremos una IA de voz en call center que no se note como tal? La respuesta honesta de Shawn Wen es «más tiempo del que la mayoría esperan». El benchmark no es «¿suena natural?» sino «¿resuelve el problema del cliente sin frustrarlo?». En el 70-80% de los casos de uso habituales, ya lo hace. En el 20-30% restante —los casos más complejos, urgentes o con vocabulario poco frecuente— todavía no.

Y ese 20-30% es, casi siempre, el que más importa para el cliente que llama.




☞ El artículo completo original de Natalia Polo lo puedes ver aquí

11 de octubre de 2026

El MIT encuentra en seis modelos de IA la misma arquitectura modular que organiza el cerebro humano

El MIT encuentra en seis modelos de IA la misma arquitectura modular que organiza el cerebro humano

Un equipo del MIT ha identificado en seis modelos de lenguaje la misma organización de cuatro dominios cognitivos modulares que los neurocientíficos han descrito en el cerebro humano. El estudio, firmado por Pengrui Han, Jacob Andreas, Evelina Fedorenko y Andrea Gregor de Varda, fue enviado a arxiv el 27 de junio de 2026 (referencia 2608.13567). Lo recoge El Confidencial el 10 de octubre en su sección de tecnología.

Fedorenko es una de las neurolinguistas más citadas del MIT, con décadas de trabajo sobre la red lingüística del cerebro humano. Que dirija este estudio no es un detalle menor: es quien mejor entiende qué significa encontrar modularidad en biología, y ahora la busca en silicio.

¿Qué encontraron los investigadores del MIT exactamente?

El equipo analizó 46 tareas cognitivas distribuidas en cuatro dominios: lenguaje (8 tareas), razonamiento formal (20 tareas), razonamiento físico (9 tareas) y razonamiento social (9 tareas). Esa taxonomía corresponde a los cuatro sistemas cognitivos que las neurociencias han identificado en el córtex humano.

La hipótesis: si los modelos de lenguaje utilizan representaciones internas similares a las del cerebro, las tareas que activan los mismos sistemas neuronales en humanos deberían activar grupos de neuronas artificiales solapados en los modelos. Las que activan sistemas distintos en humanos deberían activar grupos distintos.

Los resultados confirmaron la hipótesis en seis modelos: desde los 24.000 millones de parámetros de Mistral-Small-24B hasta los 123.000 millones de Mistral-Large-123B, pasando por Qwen2.5-32B, OLMo-2-32B, Llama-3.1-70B y Qwen2.5-72B. GPT-2-small sirvió como control.

La metodología tiene tres componentes técnicos: attribution patching (para identificar qué parámetros influyen en una respuesta), índice de Jaccard (para medir solapamiento entre conjuntos de neuronas activadas) y ablación causal por activación (para verificar que el solapamiento es funcionalmente relevante y no solo correlacional).

Los cambios en el cerebro de los astronautas por la microgravedad también hablan de plasticidad y reorganización cognitiva: los sistemas cognitivos son más modulares y robustos de lo que asumíamos, tanto en biología como, aparentemente, en silicio.

¿Cómo se demuestra que los módulos son reales y no una metáfora?

La distinción entre «los modelos de IA funcionan como cerebros» como metáfora conveniente y como hallazgo experimental es importante. La ablación causal es la clave aquí: el equipo no solo midió correlaciones. Desactivaron grupos específicos de neuronas artificiales y verificaron que eso afectaba selectivamente a las tareas del dominio correspondiente sin afectar a los otros.

Llevo cubriendo el campo de la inteligencia artificial interpretable desde 2016 y pocas veces he visto una metodología que salte tan directamente del hallazgo correlacional a la verificación causal. La mayoría de los papers de «interpretabilidad» en LLMs identifican patrones pero no prueban que esos patrones tengan relevancia funcional. Este lo hace.

Las alucinaciones multimodales en modelos de visión IA y sus causas son uno de los problemas que la investigación de interpretabilidad quiere abordar. Si los módulos de razonamiento físico y los módulos de lenguaje son funcionalmente distintos, los errores de un tipo no deberían contaminar al otro. Eso tiene implicaciones prácticas para mejorar la fiabilidad de los sistemas multimodales.

¿Qué implica este hallazgo para el diseño y entendimiento de la IA?

La implicación más inmediata es filosófica pero tiene consecuencias prácticas. Si la modularidad cognitiva emerge independientemente en sistemas tan distintos como el cerebro biológico y las redes neuronales artificiales, eso sugiere que esta organización no es un accidente evolutivo sino una solución estructural a la eficiencia cognitiva.

Los modelos analizados no fueron diseñados con módulos cognitivos explícitos. Nadie les dijo durante el entrenamiento «usa este conjunto de parámetros para el lenguaje y este otro para el razonamiento físico». La modularidad emergió del proceso de optimización sobre datos.

El modo de aprendizaje socrático de Claude sugiere que los sistemas de IA pueden adaptarse a diferentes modos de procesamiento según el contexto. La investigación del MIT proporciona un marco teórico para entender por qué eso es posible: porque los distintos tipos de razonamiento están organizados en módulos que se activan de forma relativamente independiente.

Lo más relevante de este estudio no es confirmar que los LLMs son «como cerebros» —esa analogía tiene sus límites. Es la posibilidad de que la modularidad sea una consecuencia inevitable de optimizar cualquier sistema para el procesamiento general de información, independientemente del sustrato. Si eso es cierto, el diseño de futuros sistemas de IA podría beneficiarse de reforzar explícitamente esas separaciones, y el diagnóstico de fallos podría volverse mucho más preciso.




☞ El artículo completo original de Natalia Polo lo puedes ver aquí

Cómo era entrar en una tienda de gadgets en 1995: una ventana al futuro con trastos variados y empleados que explicaban las cosas

Mi camello de vídeos viejunos interesantes (¡gracias, Gali!) me pasó esta joyita del canal de David Hoffman sobre una tienda de gadgets de 1995, que revive por unos momentos cómo era aquella época en la que entrar en uno de estos establecimientos era casi como visitar una exposición universal en miniatura.

En esta tienda de Palo Alto (California) se pueden ver teléfonos fijos inalámbricos, ordenadores de sobremesa, portátiles que hoy parecen maletas con teclado y monitores CRT que ocupaban media mesa. Nada que ver con las límpidas y clónicas Apple Stores de hoy en día. Además, captura algo menos fácil de describir: aquellas escenas costumbristas de clientes preguntando por tecnologías que les resultaban desconocidas, empleados explicando cómo funcionaban las cosas y parejas negociando qué aparato merecía convertirse en regalo de Navidad. Era solo una tienda, sí, pero cada estantería prometía una pequeña incursión al futuro.

Entre los PCs de IBM, Compaq y Apple asomaban impresoras de agujas y de inyección de tinta, ratones, teclados, unidades de disquetes, lectores de CD-ROM y algunos aparatos más raros todavía. El software llegaba en cajas, en disquetes o en discos compactos, y en los ordenadores con Windows se usaba el Solitario a modo de «demo». Había quien se pasaba la tarde colocando cartas mientras fingía que estaba probando el equipo. (Windows 95 salió en agosto de aquel año y también popularizó el Buscaminas y el FreeCell.)

Bloc de notas digitalLa visita no se limitaba a los ordenadores: había agendas digitales, un bloc de notas electrónico cuyo «papel» aceptaba notas y dibujos a mano, como esos juguetes en los que dibujan los niños y luego borran con una palanca, algunas enciclopedias digitales y teléfonos con memoria para números, contestador automático y hasta función de «monitor de bebés» para escuchar lo que sucedía en otras habitaciones. Cada cacharro parecía resolver un problema cotidiano… Aunque probablemente generaba otros tres.

Lo que hoy nos hace sonreír no es solo el tamaño de los aparatos, también son detalles como la solemnidad con que explica el vendedor que se necesita un adaptador de casete «falso» que «transmite las señales digitales como ondas magnéticas» para escuchar la música de un CD en el radiocasete del coche. O ver a la gente rodeando un PC como si fueran los monos junto al monolito en 2001, una odisea del espacio.

También es bastante reconcible esa emoción de tocar algo que aún no sabíamos muy bien para qué serviría. En 1995 la informática doméstica todavía tenía mucho de descubrimiento. Verlo ahora es mirar a un pasado que ya parece prehistórico, aunque algunas escenas sigan siendo familiares… Pero nunca serán lo mismo.

Relacionados:

# Enlace permanente



☞ El artículo completo original de alvy@microsiervos.com (Alvy) lo puedes ver aquí