BM’s granite-speech-4.1-2b, Kakao’s kanana-2-30b-a3b-instruct, and the OpenFold Consortium’s OpenFold3 models are now available on Amazon SageMaker JumpStart, expanding the portfolio of foundation models available to AWS customers. These three models bring specialized capabilities spanning multilingual speech recognition, bilingual agentic AI, and biomolecular structure prediction, enabling customers to deploy high-performance, scalable AI solutions on AWS infrastructure.

These models address different enterprise AI challenges with specialized capabilities:

granite-speech-4.1-2b is purpose-built for multilingual automatic speech recognition (ASR) and bidirectional speech translation (AST) across English, French, German, Spanish, Portuguese, and Japanese. This compact 2B-parameter speech-language model delivers a word error rate of 5.33% with a real-time factor of ~231, making it one of the most efficient ASR models in its class. Released under Apache 2.0, it integrates seamlessly into enterprise voice workflows for transcription, translation, and audio processing at scale.

kanana-2-30b-a3b-instruct excels in bilingual Korean-English instruction following and agentic AI workflows. Developed by Kakao, it adopts a cutting-edge architecture featuring Multi-head Latent Attention (MLA) and Mixture-of-Experts (MoE), activating only 3B of its 30B total parameters per forward pass for superior throughput. Post-trained with supervised fine-tuning and reinforcement learning, it supports up to 128K tokens via YaRN scaling and is designed to function as an AI collaborator that understands context and acts proactively.

OpenFold3 provides all-atom biomolecular complex structure prediction for proteins, DNA, RNA, and small-molecule ligands. Developed by the OpenFold Consortium and the AlQuraishi Lab at Columbia University, this diffusion-based model extends structure prediction beyond single proteins to model multi-chain complexes and heterogeneous biomolecular interactions. It supports computer-aided drug design and is applicable across academic and pharmaceutical research labs.

With SageMaker JumpStart, customers can deploy any of these models with just a few clicks to address their specific AI use cases.

To get started with these models, navigate to the SageMaker JumpStart model catalog in the SageMaker console or use the SageMaker Python SDK to deploy the models to your AWS account. For more information about deploying and using foundation models in SageMaker JumpStart, see the Amazon SageMaker JumpStart documentation.

​BM’s granite-speech-4.1-2b, Kakao’s kanana-2-30b-a3b-instruct, and the OpenFold Consortium’s OpenFold3 models are now available on Amazon SageMaker JumpStart, expanding the portfolio of foundation models available to AWS customers. These three models bring specialized capabilities spanning multilingual speech recognition, bilingual agentic AI, and biomolecular structure prediction, enabling customers to deploy high-performance, scalable AI solutions on AWS infrastructure.
These models address different enterprise AI challenges with specialized capabilities:
granite-speech-4.1-2b is purpose-built for multilingual automatic speech recognition (ASR) and bidirectional speech translation (AST) across English, French, German, Spanish, Portuguese, and Japanese. This compact 2B-parameter speech-language model delivers a word error rate of 5.33% with a real-time factor of ~231, making it one of the most efficient ASR models in its class. Released under Apache 2.0, it integrates seamlessly into enterprise voice workflows for transcription, translation, and audio processing at scale.
kanana-2-30b-a3b-instruct excels in bilingual Korean-English instruction following and agentic AI workflows. Developed by Kakao, it adopts a cutting-edge architecture featuring Multi-head Latent Attention (MLA) and Mixture-of-Experts (MoE), activating only 3B of its 30B total parameters per forward pass for superior throughput. Post-trained with supervised fine-tuning and reinforcement learning, it supports up to 128K tokens via YaRN scaling and is designed to function as an AI collaborator that understands context and acts proactively.
OpenFold3 provides all-atom biomolecular complex structure prediction for proteins, DNA, RNA, and small-molecule ligands. Developed by the OpenFold Consortium and the AlQuraishi Lab at Columbia University, this diffusion-based model extends structure prediction beyond single proteins to model multi-chain complexes and heterogeneous biomolecular interactions. It supports computer-aided drug design and is applicable across academic and pharmaceutical research labs.
With SageMaker JumpStart, customers can deploy any of these models with just a few clicks to address their specific AI use cases.
To get started with these models, navigate to the SageMaker JumpStart model catalog in the SageMaker console or use the SageMaker Python SDK to deploy the models to your AWS account. For more information about deploying and using foundation models in SageMaker JumpStart, see the Amazon SageMaker JumpStart documentation.  

• Categoría: Company News

septiembre 14, 2026

Presentamos Azure Multicloud Interconnect para AWS

Por: Narayan Annamalai, vicepresidente y jefe de productos de Azure Networking Services.

A medida que las organizaciones aceleran la adopción de la IA y modernizan sus entornos digitales, las aplicaciones, datos e infraestructuras abarcan cada vez más múltiples entornos en la nube. Los clientes eligen la mejor plataforma para cada carga de trabajo, para aprovechar capacidades únicas de los proveedores y así impulsar la innovación, la resiliencia y la agilidad empresarial.

Sin embargo, aunque las estrategias de nube múltiple se han vuelto habituales, la red entre entornos de nube es todavía compleja. Establecer conectividad privada suele requerir que los clientes unan de manera manual los servicios, coordinen el aprovisionamiento entre proveedores, gestionen múltiples procesos operativos y naveguen por experiencias de soporte fragmentadas. Lo que debería ser una decisión sencilla de conectividad puede llevar semanas o meses en implementarse y gestionarse.

Exploren Azure Multicloud Interconnect

Hoy en día, Microsoft y Amazon Web Services (AWS) dan un paso importante para simplificar esa experiencia.

Microsoft Azure y AWS están entusiasmados por colaborar en una solución de red de nube múltiple que utilice tanto AWS Interconnect – multicloud como Azure Multicloud Interconnect para la interoperabilidad de red, lo que permite a los clientes establecer una conectividad privada y de alto rendimiento entre Microsoft Azure y AWS mediante una experiencia simplificada y nativa de la nube.

Esta colaboración se construye a través de las especificaciones Open API para la interoperabilidad de la red. Azure Multicloud Interconnect ayuda a eliminar gran parte de la complejidad asociada de manera tradicional a las redes de nube múltiple. Los clientes pueden proporcionar conectividad a través de una experiencia integrada mientras se benefician de rendimiento, resiliencia, seguridad y simplicidad operativa de nivel empresarial.

Simplificación de la conectividad multicloud

Hasta ahora, las organizaciones que conectaban entornos Azure y AWS requerían una planificación cuidadosa, conectividad física, configuración de enrutamiento, coordinación de provisionamiento, monitorización y gestión del ciclo de vida para ensamblar y mantener múltiples componentes entre proveedores.

Azure Multicloud Interconnect cambia de manera fundamental este modelo. Con la colaboración de Microsoft y AWS para utilizar la especificación estandarizada de Open API, los clientes pueden establecer conectividad privada dedicada mediante una experiencia simplificada que abstrae la complejidad subyacente de las redes multicloud. En lugar de centrarse en la gestión de infraestructuras, las organizaciones pueden centrarse en entregar aplicaciones, mover datos y acelerar los resultados empresariales.

El resultado es un camino de alto ancho de banda y más predecible para desplegar arquitecturas de nube múltiple para cargas de trabajo críticas para la misión.

Diseñado para la era de la IA

Las cargas de trabajo de entrenamiento e inferencia requieren con frecuencia de acceso a datos distribuidos entre entornos. Las empresas diseñan cada vez más aplicaciones que cruzan los límites de la nube para mantener los requisitos de rendimiento, seguridad y cumplimiento.

Azure Multicloud Interconnect está diseñado para soportar estos requisitos en evolución con una conectividad privada de alta capacidad que se extiende hasta Azure Private Link, para brindar un camino privado de extremo a extremo entre las nubes.

Esta combinación de conectividad de alto rendimiento y simplicidad operativa permite a los clientes avanzar más rápido mientras desarrollan la próxima generación de aplicaciones y servicios habilitados por IA.

A medida que la IA transforma todos los sectores, los clientes necesitan la libertad de colocar datos, aplicaciones e infraestructura donde sea que aporte el mayor valor empresarial. Azure Multicloud Interconnect ayuda a hacerlo posible al proporcionar una conectividad privada resiliente y de alto rendimiento entre Azure y AWS mediante una experiencia simplificada y nativa en la nube. Juntos, redujimos la complejidad de las redes de nube múltiple y proporcionamos a los clientes la escala, fiabilidad y agilidad que necesitan para impulsar la próxima generación de innovación basada en IA y datos.

Los clientes nos dijeron que querían una mejor manera de conectar cargas de trabajo que abarcan AWS y Azure, y las formas antiguas de hacerlo eran torpes. Con AWS Interconnect-multicloud y Azure Multicloud Interconnect, demostramos lo que es posible cuando ambas partes se comprometen con un listón muy alto: seguridad MACsec desde el primer momento, disponibilidad de cuatro nueves y escalabilidad con solo pulsar un botón.

—Robert Kennedy, vicepresidente de Servicios de Red en AWS

Avanzar hacia un futuro de nube múltiple abierta

Azure Multicloud Interconnect representa más que una nueva oferta de conectividad: es un paso hacia un ecosistema de nube más abierto e interconectado.

De cara al futuro, vemos la oportunidad de ampliar este modelo más allá de una relación nube a nube. La misma especificación abierta de API puede ayudar a permitir una interoperabilidad más amplia entre proveedores de nube hiperescaladas, para crear una experiencia más coherente para los clientes que operan en entornos de nube múltiple cada vez más diversos.

Los clientes pueden desplegar conectividad a velocidades de hasta 100 Gbps desde  el primer día en disponibilidad general, lo que ayuda a satisfacer las necesidades de aplicaciones de alto ancho de banda y proporciona la base para el crecimiento futuro. A medida que aumenta la demanda, la capacidad puede expandirse de manera dinámica, lo que permite a las organizaciones escalar sin interrumpir las operaciones ni rediseñar la arquitectura de su red.

Más allá de los hiperescaladores, este enfoque tiene el potencial de simplificar la conectividad con los proveedores de servicios de red y los operadores de telecomunicaciones. Al adoptar un modelo común de interoperabilidad, los proveedores de la nube y los operadores pueden trabajar juntos para agilizar la conectividad de última milla, acelerar el aprovisionamiento y reducir la complejidad operativa a lo largo del recorrido integral del cliente.

Nuestra visión a largo plazo es un ecosistema abierto donde los hiperescaladores, proveedores de servicios de red, y operadores de telecomunicaciones utilicen un marco común de interoperabilidad para establecer y operar la conectividad mediante APIs estandarizadas. Los clientes deberían poder proporcionar conectividad confiable y de alto rendimiento entre nubes, redes metropolitanas y ubicaciones empresariales con la misma simplicidad y automatización que esperan de los servicios modernos en la nube.

Para saber más sobre cómo implementar redes multicloud en Azure, por favor visiten el blog detallado o la página de Microsoft Learn para empezar. Para leer el anuncio de AWS, visiten su blog.

Etiquetas:

• Anuncios
• Nube

The post Presentamos Azure Multicloud Interconnect para AWS appeared first on Source LATAM.

​The post Presentamos Azure Multicloud Interconnect para AWS appeared first on Source LATAM.  

AWS Elemental MediaLive now supports Video Aligned Locking, a new feature to synchronize video pipelines without requiring timecode from the source. Previously, achieving frame-accurate locking across video outputs required investing in specialized hardware or managing complex, external synchronization workflows. While timecode is generally standard for highly produced, traditional broadcast content, it is often unavailable and difficult to manage in typical digital streaming workflows. The new capability uses visual signatures to automatically identify and align specific frames across multiple video streams, enabling customers to achieve frame-accurate input switching across standard pipeline channels, as well as linked, cross-region single-pipeline channels.

Video Aligned Locking supports outputs including HLS, MediaPackage, CMAF Ingest, UDP and SRT. To learn more about how to configure this feature, visit the Requirements for Video Aligned Locking documentation. For a deeper dive into channel synchronization, visit the guide on Implementing Pipeline Locking.

​AWS Elemental MediaLive now supports Video Aligned Locking, a new feature to synchronize video pipelines without requiring timecode from the source. Previously, achieving frame-accurate locking across video outputs required investing in specialized hardware or managing complex, external synchronization workflows. While timecode is generally standard for highly produced, traditional broadcast content, it is often unavailable and difficult to manage in typical digital streaming workflows. The new capability uses visual signatures to automatically identify and align specific frames across multiple video streams, enabling customers to achieve frame-accurate input switching across standard pipeline channels, as well as linked, cross-region single-pipeline channels.
Video Aligned Locking supports outputs including HLS, MediaPackage, CMAF Ingest, UDP and SRT. To learn more about how to configure this feature, visit the Requirements for Video Aligned Locking documentation. For a deeper dive into channel synchronization, visit the guide on Implementing Pipeline Locking.  

AWS Lambda now supports direct read configuration for Amazon S3 Files, letting you configure which storage your functions read from: S3 Files high-performance storage or your S3 bucket. With this launch, you can optimize the throughput and latency of file reads for your Lambda functions based on your application requirements.

Customers use S3 Files with Lambda functions to build scalable data processing pipelines and stateful agentic workloads with the performance and simplicity of a file system, while benefiting from the scalability, durability, and cost-effectiveness of S3. S3 Files serves data from high-performance storage for low latency or directly from your S3 bucket for high throughput on large reads, automatically routing each operation to the storage best suited for it. By default, Lambda supports direct reads from your S3 bucket only for functions configured with 512 MB of memory or higher. However, without control over the direct read configuration, you cannot optimize read performance for your specific application requirements. With this launch, you can explicitly enable or disable direct read for S3 Files on your Lambda functions, independent of function memory size. When you enable direct read, your function reads files 1 MB or larger directly from your S3 bucket for maximum throughput, and smaller files are served through the high-performance storage. When you disable it, all reads are served through the high-performance storage for the lowest latency.

This capability is available in all AWS commercial Regions, AWS GovCloud (US-East), and AWS GovCloud (US-West) Regions, except Asia Pacific (New Zealand), Middle East (Bahrain), and Middle East (UAE). You can configure direct read for S3 Files using the AWS Management Console, AWS CLI, AWS SDKs, and AWS CloudFormation. There is no additional charge beyond standard Lambda and S3 Files pricing. To learn more about how to use S3 Files with your Lambda function, visit the AWS Lambda developer guide.

​AWS Lambda now supports direct read configuration for Amazon S3 Files, letting you configure which storage your functions read from: S3 Files high-performance storage or your S3 bucket. With this launch, you can optimize the throughput and latency of file reads for your Lambda functions based on your application requirements.
Customers use S3 Files with Lambda functions to build scalable data processing pipelines and stateful agentic workloads with the performance and simplicity of a file system, while benefiting from the scalability, durability, and cost-effectiveness of S3. S3 Files serves data from high-performance storage for low latency or directly from your S3 bucket for high throughput on large reads, automatically routing each operation to the storage best suited for it. By default, Lambda supports direct reads from your S3 bucket only for functions configured with 512 MB of memory or higher. However, without control over the direct read configuration, you cannot optimize read performance for your specific application requirements. With this launch, you can explicitly enable or disable direct read for S3 Files on your Lambda functions, independent of function memory size. When you enable direct read, your function reads files 1 MB or larger directly from your S3 bucket for maximum throughput, and smaller files are served through the high-performance storage. When you disable it, all reads are served through the high-performance storage for the lowest latency.
This capability is available in all AWS commercial Regions, AWS GovCloud (US-East), and AWS GovCloud (US-West) Regions, except Asia Pacific (New Zealand), Middle East (Bahrain), and Middle East (UAE). You can configure direct read for S3 Files using the AWS Management Console, AWS CLI, AWS SDKs, and AWS CloudFormation. There is no additional charge beyond standard Lambda and S3 Files pricing. To learn more about how to use S3 Files with your Lambda function, visit the AWS Lambda developer guide.  

Memory-optimized Amazon Elastic Compute Cloud (Amazon EC2) X2idn instances are now available in Asia Pacific (Hong Kong) Region. These instances, powered by 3rd generation Intel Xeon Scalable Processors and built with AWS Nitro System, are designed for memory-intensive workloads and deliver improvements in performance compared to previous generation X1 instances. These instances are SAP-certified for running Business Suite on HANA, SAP S/4HANA, Data Mart Solutions on HANA, Business Warehouse on HANA, SAP BW/4HANA, and SAP NetWeaver workloads on any database.

​Memory-optimized Amazon Elastic Compute Cloud (Amazon EC2) X2idn instances are now available in Asia Pacific (Hong Kong) Region. These instances, powered by 3rd generation Intel Xeon Scalable Processors and built with AWS Nitro System, are designed for memory-intensive workloads and deliver improvements in performance compared to previous generation X1 instances. These instances are SAP-certified for running Business Suite on HANA, SAP S/4HANA, Data Mart Solutions on HANA, Business Warehouse on HANA, SAP BW/4HANA, and SAP NetWeaver workloads on any database.  

Amazon SageMaker HyperPod now supports model caching, an inference optimization that pre-loads model weights and container images onto cluster nodes so pods start in seconds instead of minutes.

When running LLM inference at scale for workloads like chat assistants, agentic pipelines, RAG, and document analysis, cold start is a real bottleneck. Deployments and scale-out events spend most of their time downloading container images and model weights. As model size increases, this gets worse, with large models taking tens of minutes before they can serve traffic.

Model caching solves this with two independent capabilities. The weights cache stores model weights on local NVMe so pods read from fast local storage instead of pulling from S3 or FSx over the network. The image cache pre-pulls the container image so pods skip the ECR download entirely. If a pod lands on a node without a warm cache, it falls back to pulling from the original source automatically, so there is no risk of pods getting stuck or failing.

Benchmarks across models from 57 GB to 145 GB show around 60% faster scale-out, and the image cache cuts over two minutes of image-pull time (97% reduction). The benefit grows with model size while retaining the reliability of the original source path.

Customers enable model caching through the HyperPod Inference Operator by adding a modelCacheConfig section to their InferenceEndpointConfig or JumpStartModel resource. The operator handles the full lifecycle with no manual setup or cleanup.

Model caching is now generally available in all regions where SageMaker HyperPod is available. To get started, see the SageMaker HyperPod documentation.

​Amazon SageMaker HyperPod now supports model caching, an inference optimization that pre-loads model weights and container images onto cluster nodes so pods start in seconds instead of minutes.
When running LLM inference at scale for workloads like chat assistants, agentic pipelines, RAG, and document analysis, cold start is a real bottleneck. Deployments and scale-out events spend most of their time downloading container images and model weights. As model size increases, this gets worse, with large models taking tens of minutes before they can serve traffic.
Model caching solves this with two independent capabilities. The weights cache stores model weights on local NVMe so pods read from fast local storage instead of pulling from S3 or FSx over the network. The image cache pre-pulls the container image so pods skip the ECR download entirely. If a pod lands on a node without a warm cache, it falls back to pulling from the original source automatically, so there is no risk of pods getting stuck or failing.
Benchmarks across models from 57 GB to 145 GB show around 60% faster scale-out, and the image cache cuts over two minutes of image-pull time (97% reduction). The benefit grows with model size while retaining the reliability of the original source path.
Customers enable model caching through the HyperPod Inference Operator by adding a modelCacheConfig section to their InferenceEndpointConfig or JumpStartModel resource. The operator handles the full lifecycle with no manual setup or cleanup.
Model caching is now generally available in all regions where SageMaker HyperPod is available. To get started, see the SageMaker HyperPod documentation.
   

AWS announces the availability of TwelveLabs Marengo 3.0 as an embedding model in Amazon Bedrock Managed Knowledge Base, enabling customers to create multimodal embeddings for video, audio, and image content. Amazon Bedrock Managed Knowledge Base already supports media search by transcribing audio and video to text and generating text-based embeddings—Marengo 3.0 goes further by encoding visual scenes, speech, and video cues directly into multimodal embeddings, capturing meaning that transcription alone cannot. Simply upload your media assets from data sources such as Amazon S3, sync, and search using natural language—with no infrastructure to manage.
Marengo 3.0 produces compact 512-dimensional vectors, delivering state-of-the-art retrieval accuracy. Results include segment start and end times, enabling applications to jump directly to the relevant moment in a video. This unlocks use cases across sports analytics, media and entertainment, security, education, and retail—from finding specific plays across seasons of game footage to locating lecture segments by concept rather than keywords. The model offers configurable segmentation options to match your content structure.
To learn more, see TwelveLabs Marengo 3.0 embedding model integration in the Amazon Bedrock Knowledge Base User Guide. For more information, visit the Amazon Bedrock Knowledge Bases product page.

​AWS announces the availability of TwelveLabs Marengo 3.0 as an embedding model in Amazon Bedrock Managed Knowledge Base, enabling customers to create multimodal embeddings for video, audio, and image content. Amazon Bedrock Managed Knowledge Base already supports media search by transcribing audio and video to text and generating text-based embeddings—Marengo 3.0 goes further by encoding visual scenes, speech, and video cues directly into multimodal embeddings, capturing meaning that transcription alone cannot. Simply upload your media assets from data sources such as Amazon S3, sync, and search using natural language—with no infrastructure to manage. Marengo 3.0 produces compact 512-dimensional vectors, delivering state-of-the-art retrieval accuracy. Results include segment start and end times, enabling applications to jump directly to the relevant moment in a video. This unlocks use cases across sports analytics, media and entertainment, security, education, and retail—from finding specific plays across seasons of game footage to locating lecture segments by concept rather than keywords. The model offers configurable segmentation options to match your content structure. To learn more, see TwelveLabs Marengo 3.0 embedding model integration in the Amazon Bedrock Knowledge Base User Guide. For more information, visit the Amazon Bedrock Knowledge Bases product page.  

AWS HealthOmics now publishes real-time run metrics to Amazon CloudWatch, giving you visibility into workflow resource utilization as runs execute. The 14 new run metrics span CPU and GPU usage, memory usage, file system usage and I/O metrics, network throughput, and ephemeral storage usage. AWS HealthOmics is a HIPAA-eligible service that helps healthcare and life sciences customers accelerate scientific breakthroughs at scale with fully managed bioinformatics workflows.

Real-time run metrics can help you identify CPU or GPU bottlenecks, detect memory or storage exhaustion before a task fails, and track file system throughput, all without opening a support case. By comparing actual usage against allocated resources, you can right-size the compute and storage configurations for your workflows. These metrics are emitted using the Amazon CloudWatch OpenTelemetry standard, so you can integrate them with third-party observability tools in addition to native CloudWatch dashboards and alarms.

Real-time run metrics are now available in the following AWS HealthOmics Regions: US East (N. Virginia, Ohio), US West (Oregon), Europe (Frankfurt, Ireland, London), and Asia Pacific (Singapore, Seoul, Tokyo). To learn more, visit the Monitoring run metrics with CloudWatch documentation. Amazon CloudWatch charges for these run metrics based on the volume of metric data ingested. For more information on pricing, visit Amazon CloudWatch pricing.

​AWS HealthOmics now publishes real-time run metrics to Amazon CloudWatch, giving you visibility into workflow resource utilization as runs execute. The 14 new run metrics span CPU and GPU usage, memory usage, file system usage and I/O metrics, network throughput, and ephemeral storage usage. AWS HealthOmics is a HIPAA-eligible service that helps healthcare and life sciences customers accelerate scientific breakthroughs at scale with fully managed bioinformatics workflows.
Real-time run metrics can help you identify CPU or GPU bottlenecks, detect memory or storage exhaustion before a task fails, and track file system throughput, all without opening a support case. By comparing actual usage against allocated resources, you can right-size the compute and storage configurations for your workflows. These metrics are emitted using the Amazon CloudWatch OpenTelemetry standard, so you can integrate them with third-party observability tools in addition to native CloudWatch dashboards and alarms.
Real-time run metrics are now available in the following AWS HealthOmics Regions: US East (N. Virginia, Ohio), US West (Oregon), Europe (Frankfurt, Ireland, London), and Asia Pacific (Singapore, Seoul, Tokyo). To learn more, visit the Monitoring run metrics with CloudWatch documentation. Amazon CloudWatch charges for these run metrics based on the volume of metric data ingested. For more information on pricing, visit Amazon CloudWatch pricing.  

• Categoría: Company News

septiembre 11, 2026

Desde la preparación de la IA hasta el impacto: Por qué una base sólida de datos determina el éxito en la sanidad

Por: Jonathon Dreyer, director general de marketing de producto, salud global y ciencias de la vida en Microsoft.

Las organizaciones sanitarias han ido más allá de preguntarse si la IA pertenece a la prestación de atención. En entornos clínicos, operativos y administrativos, el impulso se construye a medida que los líderes invierten en IA para mejorar la coordinación, reducir fricciones y ayudar a fortalecer los resultados.

Los líderes sanitarios están cada vez más preparados para desplegar IA. Sus bases de datos a menudo no lo están.

En toda la industria, las organizaciones han comenzado a descubrir que escalar la IA requiere mucho más que introducir nuevos modelos o soluciones puntuales. Depende de si la inteligencia puede operar a través de las realidades de un sistema sanitario: entre departamentos, entre fuentes de datos y en los flujos de trabajo donde se toman decisiones diarias. Por eso la conversación ha comenzado a cambiar del entusiasmo por la IA a la preparación para la IA.

Descubran los hallazgos clave sobre el camino de la sanidad hacia la preparación para la IA

El impulso de la IA es claro, pero la escala sigue desigual

Los líderes sanitarios están cada vez más alineados con el potencial de la IA para mejorar la prestación de cuidados y las operaciones. Muchos la ven como una manera de fortalecer la toma de decisiones, mejorar la coordinación y permitir que la información avance de manera más eficaz entre equipos y entornos de atención.

Una encuesta global reciente a 500 líderes sanitarios de siete países, encargada por Microsoft, revela que el 58% dice estar listo para introducir agentes de IA en la coordinación de la atención y los flujos de trabajo administrativos,¹ y casi todos creen que las iniciativas de IA pueden lograr un impacto escalable. ² Sin embargo, surgió un desafío constante en la investigación. Aunque la confianza es alta, la ejecución sigue desigual. La misma investigación encontró que el 97% de los líderes sanitarios informan que los silos de datos ya afectan su capacidad para ofrecer atención oportuna. ³ Esa estadística subraya qué tan profundo la fragmentación puede afectar a los resultados.

Cuando los datos críticos permanecen distribuidos entre sistemas desconectados, los equipos dedican tiempo a reconciliar la información en lugar de actuar sobre ella. En ese tipo de entorno, la IA tiene dificultades para escalar más allá de casos de uso aislados. La inteligencia no puede llegar de manera constante a las personas y momentos donde más importa, lo que limita la capacidad de convertir el impulso en un impacto sostenido y a nivel empresarial.

Por qué una base sólida de datos se ha convertido en un elemento central para la preparación de la IA

A medida que las organizaciones sanitarias trabajan para cerrar esta brecha, el fortalecimiento de una base sólida de datos emerge como una prioridad máxima. Un entorno de datos unificado y gobernado permite la interoperabilidad y facilita el flujo de información entre sistemas clínicos, operativos y administrativos. Esto permite que la IA opere en contexto y soporte flujos de trabajo reales en lugar de quedarse confinada a pilotos.

La urgencia de ese trabajo se refuerza con la misma investigación global: alrededor del 62% de los líderes sanitarios identifican la tecnología heredada como una fuente primaria de fragmentación.⁴ Esto puede incluir infraestructuras envejecidas y sistemas clínicos, de imagen, operativos y administrativos desconectados que no fueron diseñados para intercambiar datos. El hallazgo apunta a una realidad más amplia. El éxito con la IA depende no solo de avanzar en modelos y capacidades, sino también de modernizar la infraestructura, mejorar la interoperabilidad, reducir la fragmentación y crear entornos de datos conectados que puedan soportar la IA a gran escala.

Una base de datos más sólida también apoya la confianza. A medida que la IA se integra más en la prestación y operaciones de la atención, los líderes necesitan sistemas transparentes, auditables y alineados con los requisitos regulatorios y organizativos. La gobernanza, la rendición de cuentas y la adopción responsable no están separadas de la base; forman parte de ella.

Una base de datos unificada puede convertir la IA en un activo fiable a nivel organizacional

Las organizaciones que más progresan no tratan a la IA como una innovación independiente. Construyen las condiciones que permiten que la inteligencia opere en todo el sistema. Eso incluye modernizar la infraestructura, unificar datos entre dominios y mejorar la interoperabilidad para que la información pueda circular entre sistemas, socios y entornos de atención.

City of Hope ofrece un ejemplo claro. Los médicos allí dedicaban mucho tiempo —a menudo fuera del horario laboral— en revisar extensos historiales de pacientes para prepararse para las citas. Al trabajar con Microsoft, la organización construyó una solución de IA en Microsoft Azure que procesa y resume cientos de páginas de historiales médicos, para ayudar a los médicos a incorporar a miles de pacientes cada año y a pasar más tiempo cara a cara con las personas que tratan.

Queremos aprovechar tecnologías innovadoras para apoyar la toma de decisiones en tiempo real. Queremos hacerlo de manera responsable. Queremos hacerlo juntos. Y, al final del día, queremos ayudar a mejorar la sanidad para todos.

Simon Nazarian, director de digital y tecnología, City of Hope

En las organizaciones que logran este tipo de progreso, estos esfuerzos se combinan con una gobernanza integrada: apoyar la transparencia, la rendición de cuentas y la supervisión humana adecuada forma parte de las operaciones diarias. No son decisiones tan solo técnicas. Son decisiones estratégicas que moldean cómo operan las organizaciones sanitarias.

Cuando estos elementos se unen, la IA puede ir más allá de iniciativas aisladas y convertirse en parte de los modelos operativos que apoyan la coordinación, mejoran la eficiencia y ayudan a los equipos a tomar decisiones más oportunas e informadas.

Convertir el impulso de la IA en impacto real

La sanidad ha comenzado a entrar en una nueva fase de adopción de la IA, definida menos por la experimentación y más por la ejecución. Las organizaciones mejor posicionadas para esta fase tratan los datos como un activo del sistema, alinean a los interesados en torno a resultados compartidos e integran la IA en flujos de trabajo reales donde puede aportar valor medible a través de la prestación de atención, las operaciones y la experiencia del paciente.

La oportunidad que se tiene por delante es significativa. La IA puede ayudar a las organizaciones sanitarias a reducir la carga administrativa, mejorar la coordinación y apoyar decisiones más oportunas e informadas. Pero reconocer ese potencial dependerá de lo que hagan ahora los líderes para fortalecer la base que hay bajo esta. En el sector sanitario, la base de datos ya no es una consideración de fondo. Se ha comenzado a convertir en uno de los indicadores más claros de si una organización puede escalar la IA de forma segura, responsable y eficaz.

El Centro Regional de Salud de Peterborough reunió datos clínicos, operativos y financieros en Microsoft Fabric, para conectar 18 sistemas de producción y pasar de semanas de espera para informes estáticos a una visión iterativa más rápida. Con datos gobernados e IA, los equipos aplicaron esa base a los desafíos operativos, para contribuir a una reducción del 43% en el tiempo de espera para camas hospitalizadas y a una disminución del 20% trimestre tras trimestre en la utilización innecesaria de laboratorios. El resultado muestra cómo una base sólida de datos puede llevar la IA de la ambición a un impacto práctico y medible, al tiempo que genera la confianza necesaria para escalar de forma responsable.

Porque hemos construido la base adecuada, estamos en una posición en la que podemos empezar a construir a gran escala, avanzar rápido y hacerlo con mucha más confianza mientras nos preparamos para un futuro en el que cuidemos a una población de pacientes mucho mayor con los recursos que tenemos.

Lynn Mikula, directora ejecutiva, Centro Regional de Salud de Peterborough

El cambio de la fragmentación a la frontera comienza con esa base. Los líderes que la construyen ahora son quienes convertirán el impulso de la IA en un impacto duradero y crearán las condiciones para que la IA apoye la prestación de atención y la mejora operativa a gran escala.

Exploren la investigación y los conocimientos que dan forma a este cambio

A medida que las organizaciones sanitarias trasladan las iniciativas de IA más allá de los programas piloto hacia un despliegue a gran escala, un creciente cuerpo de investigación y análisis del sector ayuda a definir cómo se presenta la preparación en la práctica.

Para saber más sobre cómo los líderes sanitarios abordan la fragmentación, construyen entornos de datos unificados y establecen la gobernanza necesaria para escalar la IA de forma responsable, exploren los siguientes recursos:

• Informe de analista: Informe de analista de IDC sobre infraestructura de nube sanitaria
• Informe de analista: Informe de Everest Group sobre plataformas de gestión de datos sanitarios
• Libro electrónico de investigación global: De la fragmentación a la frontera: Convertir la preparación para la IA en impacto

En conjunto, estos recursos ofrecen una visión más amplia de cómo las organizaciones sanitarias navegan el cambio del impulso de la IA al impacto real y proporcionan un punto de referencia útil para los líderes que evalúan sus propios datos y la preparación para la IA.

Los productos y servicios de Microsoft (1) no están diseñados, destinados ni puestos a disposición como dispositivos médicos, y (2) no están diseñados ni pretenden sustituir el asesoramiento, diagnóstico, tratamiento o juicio médico profesional y no deben usarse para sustituir o sustituir el asesoramiento, diagnóstico, tratamiento o juicio médico profesional. Los clientes/socios son responsables de garantizar que las soluciones cumplan con las leyes y normativas aplicables.

Todas las cifras son del libro electrónico de Microsoft, From Fragmentation to Frontier: Turning AI Readiness into Impact (2026), una encuesta global a 500 líderes sanitarios en siete países:

¹ 58% de los líderes sanitarios dice estar listo para introducir agentes de IA en la coordinación de la atención y los flujos de trabajo administrativos.

² Casi todos los líderes sanitarios creen que las iniciativas de IA pueden lograr un impacto escalable.

³ 97% de los líderes sanitarios afirman que los silos de datos ya afectan su capacidad para ofrecer atención oportuna.

⁴ Alrededor del 62% de los líderes sanitarios identifican la tecnología heredada como una fuente principal de fragmentación.

Metodología de investigación: Encuesta cuantitativa global en línea realizada en nombre de Microsoft por OnePoll desde el 7 de enero de 2026 hasta el 14 de enero de 2026 entre 500 responsables de la toma de decisiones en IA y/o tecnología en hospitales y organizaciones sanitarias con 400+ camas en Estados Unidos, Reino Unido, Alemania, Francia, Australia, Países Bajos y Suecia.

Etiquetas:

• IA
• Salud

The post Desde la preparación de la IA hasta el impacto: Por qué una base sólida de datos determina el éxito en la sanidad appeared first on Source LATAM.

​The post Desde la preparación de la IA hasta el impacto: Por qué una base sólida de datos determina el éxito en la sanidad appeared first on Source LATAM.  

AWS DevOps Agent now enables engineers to manage the full investigation lifecycle directly within Slack. Previously, on-call engineers and DevOps teams faced fragmented workflows during high-severity incidents, forced to context-switch between communication and investigation platforms. This update consolidates both surfaces into a single, unified location where incident response already happens.

Engineering teams can now initiate an investigation by simply @mentioning AWS DevOps Agent in any connected Slack channel. All investigation activity, including team-contributed context, agent findings, and recommended actions, is captured within a single thread. This eliminates cognitive load during critical moments and preserves a complete audit trail from trigger to mitigation, making post-incident retrospectives significantly more efficient.

This capability is available in all commercial AWS Regions where AWS DevOps Agent is currently supported.

To get started, read the user guide. See all the latest AWS DevOps Agent features on the release history page.

​AWS DevOps Agent now enables engineers to manage the full investigation lifecycle directly within Slack. Previously, on-call engineers and DevOps teams faced fragmented workflows during high-severity incidents, forced to context-switch between communication and investigation platforms. This update consolidates both surfaces into a single, unified location where incident response already happens.
Engineering teams can now initiate an investigation by simply @mentioning AWS DevOps Agent in any connected Slack channel. All investigation activity, including team-contributed context, agent findings, and recommended actions, is captured within a single thread. This eliminates cognitive load during critical moments and preserves a complete audit trail from trigger to mitigation, making post-incident retrospectives significantly more efficient.
This capability is available in all commercial AWS Regions where AWS DevOps Agent is currently supported.
To get started, read the user guide. See all the latest AWS DevOps Agent features on the release history page.