Por: Mark Russinovich CTO, subdirector de CISO y miembro técnico, Microsoft Azure, y Scott Hanselman, vicepresidente, miembro del personal técnico, Microsoft

Cuando la IA puede producir código en segundos, ¿cuál es el trabajo de un ingeniero de software? Para alguien que se gradúa con un título en informática, ¿cuál es el futuro de su trabajo diario si no es programar? Y cuando la IA diseña la arquitectura, escribe el código y soluciona los problemas, ¿cómo aprende un ingeniero de software a ser ingeniero de software?

Microsoft y la Universidad Carnegie Mellon apuestan a que la carrera de desarrollador de software ha llegado para quedarse—y que los desarrolladores junior que formamos hoy serán los ingenieros senior del mañana.

Por eso lanzamos PRAISE: un programa interno de preceptoría que empareja a ingenieros junior en las primeras etapas de su carrera con preceptores de ingeniería senior. PRAISE significa Preceptorship for AI-accelerated Software Engineering.

Tomamos el concepto de preceptoría de la enfermería, donde las nuevas enfermeras se emparejan con otras experimentadas para construir experiencia y confianza en el mundo real. El objetivo no es que los recién llegados programen como si la IA nunca hubiera llegado. Es ayudarles a desarrollar la comprensión, la confianza y la responsabilidad necesarias para incorporar las nuevas formas en que todos aprendemos en la actualidad, en tiempo real.

La colaboración vincula la experiencia práctica en ingeniería con la enseñanza académica, en lugar de pedir a las instituciones académicas o empresas que asuman tan solo la responsabilidad de formar a la próxima generación de ingenieros.

Click here to load media

¿Importa todavía un título en informática? Sí, importa

La gente que pregunta si los títulos en ingeniería de software importan todavía cuando la IA puede programar—y cualquier persona puede usar prompts para crear una app—hacen la pregunta equivocada. ¿Estas mismas personas enviarían código de IA en un producto terminado sin ser vistos (por favor, les suplicamos que digan que no)?

Por supuesto, necesitamos ingenieros de software junior. Los ingenieros senior se aseguran de que la tecnología que enviamos funcione de manera segura y eficaz, y los ingenieros junior de hoy serán los ingenieros senior de mañana.

Programar con IA es solo una parte del ciclo de vida en evolución del desarrollo de software. Ahora dedicamos más tiempo al diseño y la arquitectura que a codificar cada línea. Pero eso no cambia la necesidad de entender qué hace el código subyacente, aunque no lo escribamos todo a mano. Al fin y al cabo, cuando un coche se avería, hace falta alguien que sepa lo que ocurre bajo el capó para volver a ponerlo en marcha.

Con PRAISE, los preceptores enseñan a sus preceptos a utilizar herramientas de IA de manera reflexiva, mientras desarrollan un pensamiento sistémico, un buen gusto y un juicio. Así como evolucionamos y abstrajimos ciertos elementos de la ingeniería de software por medio de compiladores, los ingenieros ahora se adaptan al uso de IA, donde esta proporciona eficiencia en el proceso global de creación de un producto.

La IA cambia el trabajo; no elimina la responsabilidad humana por los resultados. Preparar a la próxima generación de ingenieros significa darles acceso tanto a herramientas de IA como a guías experimentados, para que puedan crecer desde producir código hasta decidir qué merece ser construido en primer lugar.

Cómo funciona el modelo de preceptor y preceptor

¿Cómo es el modelo PPRAISE en el lugar de trabajo? De forma similar al modelo de enfermería de la preceptoría, la clave es crear espacio para que los ingenieros junior puedan trabajar preguntas y problemas con ingenieros senior. Los ingenieros senior deben entender que sus miembros junior del equipo no siempre tienen la confianza para contribuir a proyectos a la velocidad y escala posibles tras años en la industria. Construir esa confianza y conexión con su preceptor da a los ingenieros juniors espacio para aprender mientras hacen cosas, no solo al observar a otra persona resolver problemas.

El preceptor también comparte sus ideas, explica su gusto y enfoque para resolver un problema, y ofrece consejos con ejemplos. También puede aconsejar a los preceptos sobre dónde centrarse en función de sus habilidades y conocimientos.

Enseñamos a ingenieros junior a poner a prueba suposiciones y a debatir cambios desconocidos con sus colegas. La mentoría ayuda a convertir el proceso de elaborar una solución en un aprendizaje deliberado.

Ese juicio sobre cuándo usar la IA debe considerarse una educación continua, por eso colaboramos con la Universidad Carnegie Mellon en el plan de estudios como parte del programa PRAISE. La intención es preparar a los estudiantes para el éxito en el trabajo y acelerar a los preceptos con planes de estudio formales para complementar la orientación del preceptor sobre cómo construir y ofrecer con confianza.

Los cursos les brindan experiencias tempranas sobre cómo desplegar soluciones listas para producción. Los preceptos tomarán clases y participarán en pequeños grupos para conectar conceptos teóricos de la informática con las prácticas reales de ingeniería de software y su trabajo en Microsoft. El plan de estudios de la Universidad Carnegie Mellon complementa el aprendizaje práctico que los ingenieros reciben en Microsoft de sus equipos y tutores, al añadir educación formal en el aula a su formación.

«Antes, los ingenieros de software en etapas tempranas realizaban muchas tareas que les ayudaban a desarrollar su experiencia», dijo Michael Hilton, profesor docente y jefe asociado del Departamento de Educación en el Departamento de Software y Sistemas Sociales de la Kenneth C. Griffin School of Computer Science de la Universidad Carnegie Mellon. «Combinar fuerzas entre académicos y profesionales nos permite reunir nuestra experiencia y crear soluciones que se basan en la investigación en informática, al tiempo que se enfrentan a las realidades diarias del desarrollo de software.»

Estamos entusiasmados de trabajar con la Universidad Carnegie Mellon para formar a la próxima generación de ingenieros de software, para ayudar a mantener una buena cartera de talento para la futura fuerza laboral.

Durante los últimos años, gran parte de la conversación sobre inteligencia artificial giró alrededor de una misma pregunta: ¿qué puede hacer esta tecnología?

En Frontier Tour México, organizado por Microsoft, la respuesta parecía asumida. La discusión ya no se centró en explicar qué es la IA o imaginar escenarios futuros, sino en algo mucho más práctico: cómo integrarla a las organizaciones para generar resultados reales.

Click here to load media

Ese cambio de perspectiva marcó la jornada desde el inicio. Durante la sesión inaugural, Ivonne Mejía, General Manager de Microsoft México, compartió una visión que reflejó la evolución que viven hoy las empresas. Después de años explorando posibilidades, las organizaciones han comenzado a entrar en una nueva etapa, una donde la prioridad ya no es comprender la tecnología, sino implementarla de manera estratégica para alcanzar objetivos de negocio.

La idea fue retomada por Jessica Hawk, vicepresidenta corporativa de Azure en Microsoft, quien planteó tres elementos esenciales para avanzar en esta nueva fase: ambición para imaginar nuevas oportunidades, confianza para adoptar la tecnología de manera responsable y un enfoque permanente en mejorar los resultados del negocio.

La combinación de estos factores apareció una y otra vez a lo largo del evento. Si bien el potencial de la IA es amplio, su verdadero impacto depende de la capacidad de las organizaciones para convertirlo en acciones concretas.

De la teoría a la práctica

La conversación continuó en un panel moderado por Tito Arciniega, presidente de Microsoft Latinoamérica, junto con líderes empresariales que compartieron experiencias reales de adopción e implementación de inteligencia artificial en sus organizaciones.

Participaron Oscar Mullin, Senior Vice President of Technology de Mercado Libre; José Gabriel Calderón Goyenechea, Senior Vice President Global Internal Audit de Grupo Bimbo; y Alberto de Armas, vicepresidente de Organización y Recursos Humanos de Cemex.

Aunque representan a industrias distintas, todos coincidieron en que la inteligencia artificial genera mayor valor cuando forma parte de los procesos cotidianos y ayuda a resolver desafíos concretos del negocio.

Fue durante esta conversación cuando surgió una de las analogías más memorables de la jornada.

Aprender a utilizar inteligencia artificial, explicó Mullin, es parecido a aprender a nadar. Nadie desarrolla esa habilidad leyendo un PDF. Es necesario entrar al agua.

La comparación resumió uno de los mensajes centrales de Frontier Tour México: la adopción de IA no ocurre sólo a través de capacitaciones o presentaciones. Requiere experimentación, práctica y la disposición de incorporar nuevas herramientas a la forma de trabajar.

En otras palabras, las organizaciones no pueden limitarse a observar la transformación desde la orilla. Tienen que comenzar a utilizar la tecnología para descubrir dónde genera valor y cómo puede potenciar a sus equipos.

Un nuevo flujo de trabajo

La evolución de esta conversación también se reflejó en las demostraciones y anuncios presentados durante Frontier Tour México.

Hawk compartió una visión sobre la siguiente etapa de Copilot, orientada a integrar la inteligencia artificial de manera más natural en el trabajo diario de las personas. La propuesta se articula alrededor de tres experiencias complementarias: Home, Code y Autopilot.

Mientras Home busca convertirse en el punto de partida para organizar prioridades, acceder al conocimiento y coordinar tareas, Code está diseñado para acelerar el trabajo técnico y de desarrollo. Autopilot, por su parte, representa la posibilidad de delegar procesos y actividades a agentes capaces de ejecutar tareas de manera autónoma bajo supervisión humana.

Más que herramientas independientes, estas capacidades reflejan una transformación más amplia en la manera de trabajar. La inteligencia artificial deja de ser un recurso al que las personas acuden de manera ocasional para convertirse en un colaborador integrado al flujo de trabajo cotidiano.

La visión presentada durante el evento estuvo respaldada además por conceptos como Microsoft AI Platform y Trust Platform, enfocados en ayudar a las organizaciones a conectar personas, inteligencia y controles dentro de un mismo entorno tecnológico. En ese contexto, la confianza, la gobernanza y la seguridad aparecieron como elementos fundamentales para escalar la adopción de IA de forma responsable.

Del potencial a la práctica

Más adelante, una segunda sesión encabezada por Tito Arciniega reunió a líderes de distintas organizaciones e instituciones de la región para explorar los beneficios, desafíos y lecciones aprendidas durante sus procesos de adopción de inteligencia artificial en las industrias de salud, financiero y sector público.

Desde distintos sectores las organizaciones compartieron una misma realidad, la implementación exitosa de IA no depende tan solo de la tecnología. También requiere una visión clara, confianza, gobernanza y una comprensión profunda de los problemas que se busca resolver.

Ese mensaje terminó por convertirse en el hilo conductor de Frontier Tour México.

Las organizaciones ya no observan la transformación impulsada por IA desde la distancia. Han comenzado a aprender a incorporarla en la manera en que trabajan, colaboran y toman decisiones.

Frontier Tour México mostró que la siguiente etapa ya comenzó. El reto ya no es imaginar lo que la inteligencia artificial puede hacer. El reto es convertir ese potencial en impacto.

Porque, al final, la transformación no ocurre cuando una organización adopta una nueva tecnología. Ocurre cuando las personas encuentran nuevas maneras de utilizarla para resolver problemas, generar valor y dedicar más tiempo a lo que en verdad importa.

Por: Dayan Rodriguez, vicepresidente corporativo de fabricación y movilidad de Microsoft.

Hoy en día hay casi 5 millones de robots industriales en operación en las fábricas del mundo, una cifra que creció casi un 10% en un solo año. Casi todos ejecutan instrucciones escritas de antemano por alguien que anticipó las condiciones que cumplirían. Ese enfoque ha definido la automatización industrial durante seis décadas.

La IA física traslada la inteligencia al trabajo de la propia manufactura. Robots, vehículos, sistemas de producción e infraestructuras conectadas ahora pueden percibir condiciones cambiantes, razonar sobre el contexto y actuar dentro de límites definidos.

La automatización aportó precisión, productividad y seguridad al ejecutar instrucciones conocidas. La IA física amplía esa base al ayudar a los sistemas a responder a una mayor variación en las condiciones que les rodean.

Consigan la guía: Entren en la Fábrica del Futuro

En la International Manufacturing Technology Show (IMTS) 2026, de pie en el escenario principal de Chicago, Illinois, enmarqué la oportunidad en torno a una pregunta práctica: ¿cómo convierten los fabricantes la inteligencia que funciona en una sola máquina o proceso en una capacidad que pueden desplegar, gobernar y mejorar en toda la empresa?

La IA física cierra el ciclo entre inteligencia y acción

La IA física es inteligencia que opera en el mundo físico a través de máquinas, sistemas y personas. Funciona a través de un bucle continuo:

1. Comprender: Leer máquinas, entornos y señales operativas.
2. Razón: Interpretar ese contexto y determinar la siguiente mejor acción.
3. Actuar: Ejecutar a través de máquinas, sistemas y personas, y luego usar el resultado como retroalimentación para el siguiente ciclo.

Las operaciones conectadas daban visibilidad a las personas. La IA industrial añadía razonamiento sobre patrones y resultados. La IA física cierra el ciclo al actuar en el mundo físico, medir el resultado y mejorar el siguiente ciclo.

Cuando la IA pasa de recomendar en una pantalla a actuar en el mundo físico, tanto el valor como el riesgo se vuelven físicos. En el sistema deben diseñarse límites operativos, identidad y seguridad, observabilidad, respaldo validado y aprobación y anulación humana.

La IA física crea valor a lo largo de todo el ciclo de vida industrial

Los fabricantes ya aplican estas capacidades desde la ingeniería hasta las operaciones en vivo.

En el ámbito de la ingeniería, KUKA facilita la programación y el despliegue de robots industriales. Con iiQWorks.Copilot, los usuarios pueden describir una tarea, generar código, simular el flujo de trabajo y desplegarla. Para tareas sencillas, la programación puede ser hasta un 80% más rápida. Krones utiliza agentes de IA y gemelos digitales precisos a nivel físico, para acelerar las simulaciones de relleno. Las ejecuciones que duraban tres o cuatro horas ahora pueden durar cinco minutos o menos.

En operaciones reales, ARUM trae el mismo cambio al centro de mecanizado. TTMC Brain convierte una conversación en un programa de mecanizado y reduce la programación de control numérico de 177 a dos. ABB aplica datos industriales en tiempo real al mantenimiento predictivo y la optimización en tiempo real. En toda su base de clientes, ABB informa de hasta un 20% más de fiabilidad en activos críticos y hasta un 60% menos de inactividad no planificada.

Estos ejemplos abordan dos limitaciones en la automatización escalable: el esfuerzo de ingeniería necesario para desplegarla y la fiabilidad necesaria para mantenerla en funcionamiento.

Qué cambia la IA física para los líderes de operaciones

En mis conversaciones con fabricantes, el reto es cada vez más la orquestación. Una máquina o célula de trabajo exitosa es solo el primer paso. Los líderes deben conectar esa capacidad con la manera en que la empresa opera, decide y escala.

La inteligencia física cambia tres modelos empresariales:

• El modelo operativo pasa de la automatización del sitio a la coordinación de red. Las líneas, plantas, flotas y entornos de campo pueden operar como un sistema conectado.
• El modelo de decisión pasa de la planificación manual a las operaciones asistidas por agentes. Las personas establecen intención, política, aprobación y anulación mientras los agentes interpretan el contexto y coordinan el trabajo dentro de esos límites.
• El modelo tecnológico pasa de herramientas desconectadas a un entorno gobernado único. Los datos, controles, plataformas y sistemas interproveedores deben trabajar juntos tanto en la nube como en el entorno.

Esos cambios dependen de dos bucles conectados. Uno acelera la innovación en sistemas físicos: los equipos simulan condiciones, entrenan y adaptan modelos, validan comportamientos y modos de fallo, e iteran antes del despliegue. El otro operacionaliza la inteligencia física: los equipos orquestan el trabajo, ejecutan entre máquinas y personas, gobiernan lo que ocurre y optimizan el rendimiento entre sistemas y flotas.

La orquestación agéntica conecta ambas. La retroalimentación operativa devuelve las condiciones, intervenciones, fallos y resultados del mundo real al siguiente ciclo de simulación y validación.

La repetibilidad importa más que cualquier despliegue individual. Una máquina o célula de trabajo exitosa se convierte en una capacidad empresarial cuando sus datos, integración, gobernanza y modelo operativo pueden reutilizarse entre líneas, plantas y flotas. De lo contrario, la organización escala excepciones en lugar de capacidad.

La gobernanza de la IA en la fabricación pertenece a la arquitectura operativa

Identidad, política, monitorización, seguridad y responsabilidad deben viajar con la capacidad de una máquina o sitio a otro. El contexto operativo, de ingeniería y empresarial debe informar las mismas decisiones tanto en la nube como en el entorno.

Para los fabricantes globales, esa arquitectura también debe apoyar la soberanía, la residencia de datos y la seguridad tecnológica operativa en sitios y regiones. Los líderes necesitan tener visión sobre lo que el sistema puede hacer, por qué actuó y cuándo una persona debe aprobar, intervenir o anular el control.

Un modelo de confianza consistente permite a los equipos desplegar, gestionar, observar y mejorar capacidades en entornos mixtos sin tener que reconstruir los controles en cada sitio.

Para más información sobre la plataforma de IA industrial de Microsoft, lean: Microsoft es nombrada Líder en el Cuadrante Mágico Gartner® 2026 para Plataformas Globales de IAoT Industriales.

Empiecen con una operación acotada

Los fabricantes no necesitan automatizar toda una planta para empezar. Un punto de partida práctico es un problema operativo donde el resultado importa y los límites están claros.

Elijan un flujo de trabajo con valor medible, como inspección de calidad, triaje de mantenimiento, programación de máquinas u optimización de procesos. Mapeen los datos y el contexto operativo necesarios para tomar una decisión acertada. Definan qué puede recomendar el sistema, qué puede ejecutar y dónde debe aprobarlo o intervenir una persona. Luego diseñen el despliegue para que el patrón exitoso pueda reutilizarse en otra línea, sitio o flota.

Para ejemplos de cómo los fabricantes pueden escalar casos de uso de alto valor, lean Step into the Factory of the Future. La IA física se medirá en la operación: ingeniería más rápida, trabajo más seguro, recursos más fiables y sistemas que mejoren bajo una clara autoridad humana. Empiecen con un flujo de trabajo con consecuencias. Definan sus límites. Construyan para que el éxito se repita.