• Miles de solicitudes y expedientes que se dilatan en el tiempo por falta de capacidad de tramitación.
• Una atención a la ciudadanía saturada, con largas esperas y respuestas poco homogéneas.
• Tareas repetitivas y manuales que consumen el tiempo de personal cualificado.
• Cuellos de botella que se arrastran de un departamento a otro a lo largo de un procedimiento.

El potencial es evidente. Pero hay un matiz decisivo: sin un diseño adecuado, las iniciativas se dispersan y una proporción muy alta acaba abandonándose. Distintos análisis del sector coinciden en que la causa más frecuente de fracaso no es un algoritmo defectuoso, sino haber destinado el esfuerzo a un problema que no era prioritario o que no estaba maduro para abordarse.

De ahí que la pregunta relevante no sea «¿cómo hacemos IA?», sino «¿por dónde conviene empezar?». Un enfoque sensato pasa por centrar el esfuerzo en lo prioritario (los llamados quick-wins, que ofrecen resultados desde el primer momento), ir acumulando experiencia técnica, funcional y económica, y desplegar de forma progresiva las infraestructuras necesarias. La vía más eficaz para lograrlo es trabajar sobre casos de uso bien elegidos. Y para elegirlos con criterio hace falta una metodología.

Gracias a casi 20 años de actividad en el ámbito de los datos y la inteligencia artificial, en ITELLIGENT hemos desarrollado metodologías propias para distintas necesidades. Una de ellas, la metodología para la identificación, el análisis y la priorización de casos de uso para el despliegue de IA agéntica, es la que abordamos en este post.

Una visión de conjunto: metodología en cinco fases

El método se organiza en cinco fases secuenciales pero iterables. Cada una parte del resultado de la anterior y produce un entregable concreto, de modo que las decisiones quedan documentadas y son trazables:

1. Descubrimiento de Casos de Uso. ¿Qué casos de uso podrían ser objeto de automatización agéntica? Tres vías de descubrimiento de los casos de uso y un filtro para evaluar el encaje de la IA agentica en cada caso de uso.
2. Caracterización de los Casos de Uso.  ¿Qué necesidades (técnicas, legales, etc) requiere cada caso de uso? Ficha multidimensional para cada caso de uso, con el nivel de autonomía de la IA agentica como principal eje de riesgo.
3. Análisis de viabilidad e impacto de los Casos de Uso. ¿Cómo de viable (a nivel técnico, normativo, económico…) es el caso de uso?  Se analizan, para cada caso de uso, los datos requeridos, las técnicas necesarias, coste/ROI y cumplimiento regulatorio (RGPD, RIA, ENS), entre otros.
4. Priorización de los Casos de Uso. ¿Cómo priorizar los casos de uso atendiendo a distintos criterios (impacto, viabilidad, riesgo, …)? A partir de una doble matriz se mide “impacto-viabilidad” y “valor público-riesgo” de cada caso de uso.
5. Selección de los Casos de Uso y hoja de ruta. ¿Cómo seleccionar consensuadamente los casos de uso y establecer una hoja de ruta para su desarrollo?  Se consensua los casos de uso a desarrollar y se establece la hoja de ruta para su paso a producción

Fase 1. Descubrimiento de casos de uso

Todo empieza por construir un inventario de procesos susceptibles de mejorarse con agentes de IA (casos de uso). Para no depender de una sola fuente de ideas (ni de la intuición de unos pocos), la propuesta de casos de uso se apoya en tres vías complementarias que se refuerzan entre sí: la vía estratégica, que parte de los objetivos de la organización. La vía operativa, que recoge mediante talleres y entrevistas el conocimiento de quienes ejecutan los procesos cada día. Y la vía basada en datos, que analiza los registros de actividad reales para objetivar volúmenes, tiempos y grado de intervención manual. Una vez que se tiene una propuesta de casos de uso, se evalúa el encaje de cada caso de uso con la IA agentica (filtro de encaje agentico) y se descartan aquellos en los que un agente no aportaría valor frente a alternativas más simples —una automatización de reglas o un modelo básico—, evitando forzar la tecnología donde no toca.

Resultado: un catálogo estructurado de casos candidatos, cada uno con una ficha normalizada y su línea base (la situación de partida sin IA), imprescindible para medir después la mejora.

Fase 2. Caracterización de los casos de uso

Cada caso de uso candidato se describe con un perfil de varias dimensiones en lugar de una única etiqueta de «complejidad». La razón es que, aunque un caso de uso puede ser “técnicamente” sencillo, puede ser complejo en otras dimensiones (ej. contener datos personales o ser Alto Riesgo según el Reglamento de Inteligencia Artificial o RIA). Entre esas dimensiones, el nivel de autonomía del sistema de IA agentico merece un tratamiento propio, porque es el principal factor de riesgo en el ámbito público. Para ello se define un espectro que va de un nivel N0 (el agente sugiere y decide el humano) a N3 (el agente actúa de forma autónoma, auditado a posteriori), pasando por niveles intermedios de propuesta validada y ejecución supervisada. A la autonomía se suman la complejidad de integración (cuántos sistemas hay que conectar), la complejidad de orquestación (si interviene un agente o varios coordinados), la naturaleza de los datos (ej. estructurados o no estructurados), el nivel de riesgo normativo (ej. sistemas de alto riesgo según el RIA) y el impacto en derechos (ej. se manejan datos personales). En definitiva, el perfil de cada caso de uso determina de forma directa qué supervisión, qué controles y qué tipo de piloto necesitará el caso de uso en su desarrollo.

Resultado:

un perfil documentado y justificado para cada caso de uso candidato, que sirve de base objetiva para la priorización de la fase siguiente.

Fase 3. Análisis de viabilidad e impacto de los casos de uso

Para cada caso de uso candidato ya perfilados se realiza un análisis completo y homogéneo, que responde a una pregunta doble: ¿es viable? y ¿qué impacto tendría? El análisis técnico se realiza a partir de la metodología que se muestra en la Figura y que recorre de forma ordenada las fuentes de datos disponibles, cómo extraerlas y prepararlas, qué capacidades analíticas y de razonamiento necesita el agente, cómo interactuará con el usuario, cómo aprenderá de esa interacción y qué infraestructura hará falta. Además, hay que tener en cuenta que en el sector público la viabilidad técnica es solo la condición de partida y se requiere también analizar otros aspectos, ya que un caso de uso sin una base jurídica válida es inviable por diseño, por muy atractivo que parezca. Para ello se abordan aspectos como la protección de datos (RGPD), el Reglamento Europeo de IA (RIA) y la seguridad de la información (ENS). Conviene recordar que los anteriores son marcos complementarios: la evaluación de impacto sobre derechos fundamentales del RIA no sustituye a la evaluación de impacto en protección de datos del RGPD. A los aspectos anteriores, en esta fase se requiere también un análisis económico realista (incluido el consumo de los modelos), dado que el sobrecoste es una de las causas más frecuentes de que un proyecto se abandone

Resultado: una ficha de viabilidad por caso de uso, con su diseño preliminar, sus riesgos, su coste estimado y las evaluaciones normativas que serán obligatorias.

Fase 4. Priorización de los casos de uso

Con los casos analizados, llega el momento de ordenarlos. La priorización no se basa en la impresión de una reunión, sino en una puntuación multicriterio explícita y auditable, que se representa visualmente para forzar decisiones claras. La herramienta central es una matriz que cruza el impacto de cada caso de uso con su viabilidad. Los casos de alto impacto y alta viabilidad son los quick-wins: por ahí conviene empezar. Los de alto impacto, pero menor viabilidad, son apuestas estratégicas a medio plazo. El resto se deja en segundo plano o se replantea. A esta lógica se le superpone una segunda lente propia del sector público (valor público frente a riesgo), que evita priorizar un caso de uso valioso pero cuyo riesgo la organización todavía no está preparada para gobernar. Algunos criterios, como disponer de base jurídica, funcionan como filtro eliminatorio: si no se cumplen, el caso se detiene.

Resultado: una cartera de casos ordenada por prioridad, con criterios explícitos y trazables, lista para la decisión final.

Fase 5. Selección de casos de uso y hoja de ruta

La última fase transforma la lista priorizada en compromisos. La selección se acuerda en un taller de consenso con las áreas implicadas y se valida formalmente, dejando constancia de las decisiones. Para cada caso de uso elegido se definen sus indicadores y su línea base, se asigna un responsable y se traza una hoja de ruta. El paso a producción no es automático. Los pilotos se ejecutan en entornos controlados, sin afectar a los servicios reales, y solo escalan si superan unos criterios de éxito definidos de antemano. Para los casos con mayor nivel de autonomía de los agentes o riesgo, se establecen medidas con una justificación documentada de que el sistema es seguro para su uso previsto. Esta Fase es la principal salvaguarda frente al patrón, tan común, del piloto prometedor que nunca llega a desplegarse.

Resultado: una cartera de casos seleccionados, documentada y con una hoja de ruta, y un mecanismo claro de decisión para escalar solo lo que funciona.

Conclusión: elegir bien es la mitad del trabajo

La IA agentica ofrece a las administraciones una oportunidad real de mejorar sus servicios y aliviar sus cuellos de botella. Pero el valor no está en adoptar la tecnología por sí misma, sino en identificar dónde aporta más, empezar por lo asumible y crecer sobre lo aprendido. Recorrer estas cinco fases, de la proposición al piloto, convierte una ambición difusa en un plan ordenado, medible y conforme a la normativa, y reduce el riesgo de que la iniciativa se quede a medio camino. En ITELLIGENT aplicamos esta metodología en proyectos de transformación digital para organismos públicos, combinándola con nuestra experiencia en gobernanza del dato, soberanía tecnológica y cumplimiento normativo (ENS, ISO, RGPD y RIA).

Si su organización está valorando iniciativas de IA agéntica y necesita un método riguroso para decidir por dónde empezar, contacte con nuestro equipo 

La entrada Metodología para el desarrollo de casos de uso de IA agéntica en la Administración Pública se publicó primero en ITELLIGENT.

Cuando hablamos de Espacios de Datos, solemos centrarnos en el para qué: compartir información de forma segura, sin perder el control sobre ella. Pero pocas veces entramos en el cómo. Y el cómo tiene un nombre concreto: el conector de datos, la pieza técnica que hace posible que dos organizaciones que no se conocen entre sí puedan intercambiar información de forma fiable y bajo las mismas reglas.

En este artículo explicamos qué es un conector IDSA, por qué es la pieza clave de la interoperabilidad entre organizaciones y qué debe tener en cuenta tu empresa antes de dar el paso.

¿Qué es exactamente un conector de datos?

Un conector de Espacio de Datos es el componente técnico que permite a una organización participar en el intercambio de datos con otros miembros del ecosistema. Cumple dos funciones al mismo tiempo:

• una, es la puerta de entrada técnica: expone una interfaz (API) que permite a otros participantes descubrir, negociar y consumir datos de forma estandarizada.
• y otra, es el guardián de la confianza: aplica las políticas de uso que el propietario del dato ha definido y garantiza un nivel común de ciberseguridad en cada intercambio.

Dicho de otro modo, el conector no solo mueve datos de un lado a otro, sino que hace cumplir las condiciones bajo las que esos datos pueden usarse, incluso una vez han salido de la organización que los origina. Esa es la diferencia entre «compartir datos» y «compartir datos con soberanía». Ya explicamos en detalle, con ejemplos visuales, cómo se interactúa paso a paso con un conector de datos en un Espacio de Datos, tanto desde el rol de proveedor como desde el de consumidor. Si no lo has leído todavía, es un buen punto de partida antes de continuar.

¿Por qué necesitamos un estándar común para los conectores?

Aquí es donde entra en juego IDSA (International Data Spaces Association). Si cada organización desarrollara su propio conector con su propia lógica, el resultado serían nuevos silos de datos disfrazados de «espacios abiertos». Para evitarlo, IDSA impulsa el Dataspace Protocol (DSP), la especificación que define cómo deben comunicarse los conectores entre sí para ser realmente interoperables.

Para comprobar que un conector cumple correctamente esta especificación, existe el Dataspace Protocol Technology Compatibility Kit (DSP TCK), una suite de pruebas oficial que actúa como examen de interoperabilidad. IDSA recopila y publica periódicamente los resultados de estas pruebas en su Data Space Connector Report, un catálogo de referencia donde figuran implementaciones como el Eclipse Dataspace Components (EDC), o como otros conectores para el sector de automoción, entre otros. No se trata de decidir cuál es el mejor conector, sino de tener información transparente y comparable sobre su nivel real de cumplimiento del estándar.

Los cuatro niveles de interoperabilidad que debe resolver un conector

No basta con que dos sistemas puedan «hablar» técnicamente entre sí. La interoperabilidad real se juega en varios planos a la vez:

1. Técnica: protocolos, formatos y APIs compatibles entre los sistemas.
2. Semántica: un vocabulario común (vocabularios como DCAT, ontologías RDF) que garantiza que ambas partes entienden el dato de la misma manera.
3. Organizativa: procesos, roles y acuerdos compartidos sobre cómo se gestiona el intercambio.
4. Legal: reconocimiento mutuo de cláusulas contractuales, aunque los marcos normativos de origen sean distintos.

Un conector bien implementado resuelve principalmente la capa técnica, pero solo tiene sentido si se apoya sobre las otras tres. De ahí que IDSA no se limite a publicar una especificación técnica, sino un modelo de referencia completo: el IDS-RAM (International Data Spaces Reference Architecture Model).

Figura 1: Servicios de intercambio de datos realizados por un conector de datos, tal como se describe en el IDS-RAM.

Fuente: IDSA Data Space Connector Report

El IDS-RAM: el mapa detrás del conector

El IDS-RAM estructura un Espacio de Datos en cinco capas: negocio, funcional, procesos, información y sistemas. Define los roles que puede adoptar cada organización: participante (que ofrece o consume datos), intermediario (brókers, cámaras de compensación, proveedores de identidad), proveedor de software o servicios, y órgano de gobierno encargado de la certificación. El conector aparece precisamente en la capa de sistemas, como el componente que traduce todo ese marco de roles, políticas y vocabularios en una pieza de software operativa. Cuando una organización quiere incorporarse a un Espacio de Datos, uno de los primeros pasos es precisamente solicitar o desplegar un conector homologado con este modelo.

Los principios que hacen posible confiar en el sistema

Detrás de cada intercambio de datos hay una serie de principios que IDSA ha definido para que el modelo funcione en la práctica:

1. Soberanía del dato: el propietario decide qué se comparte, con quién, para qué y durante cuánto tiempo, incluso después de haber compartido la información.
2. Confianza: sostenida por tres mecanismos —certificación de los participantes, identidad digital verificable y comunicación cifrada extremo a extremo.
3. Interoperabilidad y estandarización: uso de especificaciones abiertas para evitar la dependencia de un proveedor concreto.
4. Transparencia y auditabilidad: cada transacción queda registrada (habitualmente a través de un Clearing House), lo que permite saber quién accedió a qué datos y en qué condiciones, sin exponer el contenido.
5. Apertura y neutralidad: cualquier organización puede participar si cumple las reglas, con una gobernanza que no favorece a ningún actor.

El conector es, en la práctica, el punto donde todos estos principios se convierten en comportamiento técnico verificable: es el que aplica la política de uso, el que demuestra la identidad del participante y el que deja constancia de cada transacción.

Guía práctica: qué debe tener en cuenta tu organización

Si tu empresa se está planteando participar en un Espacio de Datos, estos son los puntos que conviene revisar antes de elegir e implementar un conector:

1. Verifica la compatibilidad con el Dataspace Protocol. Prioriza conectores que hayan superado el DSP TCK ya que es la única forma objetiva de comparar el nivel de cumplimiento entre implementaciones.
2. Evalúa el modelo de despliegue. Existen variantes orientadas a entornos cloud, pasarelas API ligeras o dispositivos IoT. La elección depende de tu infraestructura actual y del volumen de datos a compartir.
3. Define primero tus políticas de uso. El conector aplica las reglas, pero esas reglas (duración del acceso, finalidad, posibilidad de redistribución) las define tu organización antes de conectar ninguna fuente.
4. Ten en cuenta la capa semántica. No basta con tener el conector técnico funcionando: los datos deben describirse con un vocabulario común para que otros participantes puedan descubrirlos y entenderlos correctamente.
5. Considera la licencia y el mantenimiento. Hay implementaciones open source (Apache 2.0, MIT) y otras con licencias más restrictivas. Valora quién mantiene el proyecto y con qué cadencia se actualiza frente a nuevas versiones del protocolo.
6. Piensa en la interoperabilidad organizativa y legal, no solo en la técnica. Un conector correctamente configurado no sustituye los acuerdos de gobernanza ni la revisión legal de los contratos de intercambio de datos.

Cómo lo abordamos desde ITELLIGENT

En ITELLIGENT trabajamos con conectores basados en el estándar IDSA en proyectos de investigación e implantaciones reales de Espacios de Datos, tanto para administraciones públicas como para organizaciones del sector privado que necesitan compartir información con proveedores, clientes o socios tecnológicos manteniendo el control sobre sus datos en todo momento. Nuestra solución en Espacio de Datos se apoya en este tipo de arquitecturas para que la interoperabilidad no dependa de integraciones a medida cada vez que aparece un nuevo actor en el ecosistema.

Los conectores IDSA no son una pieza más de infraestructura, los conectores son la garantía de que la interoperabilidad entre organizaciones es real, verificable y respetuosa con la soberanía de cada participante. Cuanto antes entienda tu organización cómo encajan en su estrategia de datos, antes podrá aprovechar las ventajas de operar en un Espacio de Datos europeo.

¿Tu organización está valorando conectarse a un Espacio de Datos?

Cuéntanos tu caso y te ayudamos a definir los primeros pasos.

La entrada El papel de los conectores IDSA en la interoperabilidad entre organizaciones: una guía práctica se publicó primero en ITELLIGENT.

Un proyecto enmarcado en la estrategia europea de Espacios de Datos

El seminario webinar se ha enmarcado dentro de las actividades del proyecto AGENDA (Convocatoria de Productos y Servicios Tecnológicos para Espacios de Datos 2024 – TSI-100130-2024-97), impulsado desde el CRED (Centro de Referencia de los Espacios de Datos), dependiente de la Secretaría de Estado de Digitalización e Inteligencia Artificial, y financiado por la Unión Europea a través de NextGenerationEU.

En la sesión, moderada por Pierre Plaza (Director de los Programas de Innovación de Sigma Cognition), participaron:

• Jorge Rico, director del área de PLN de Sigma Cognition
• Mario Rivas, CTO de ITELLIGENT
• Enrique Mediero, CTO de NEOCK

Proyecto AGENDA: anonimización multimodal aplicada a texto, voz e imagen

Jorge Rico de Sigma Cognition presentó el objetivo central del proyecto AGENDA: desarrollar una herramienta capaz de reducir el riesgo de identificación de personas en distintos tipos de fuente (texto, habla y voz, e imagen o vídeo), teniendo en cuenta una premisa importante: la anonimización no siempre puede ser total ni completamente automatizada. En determinados casos requiere supervisión humana y, en otros, no resulta viable si no se logra un equilibrio adecuado entre privacidad y utilidad del dato. A continuación, mostramos las principales características del proyecto AGENDA:

La arquitectura de integración: el papel de ITELLIGENT

Desde ITELLIGENT, Mario Rivas explicó cómo se ha diseñado la arquitectura necesaria para integrar el servicio de anonimización de AGENDA dentro de un Espacio de Datos. La solución se apoya en una arquitectura tradicional de Espacio de Datos, con sus componentes de gobernanza, catálogo, proveedores y consumidores, tanto de datos como de aplicaciones. La integración se ha construido sobre la implementación de SIMPL, la iniciativa de la Comisión Europea que lidera el desarrollo tecnológico de referencia para los Espacios de Datos en Europa. Al no estar disponible todavía el proveedor de aplicaciones previsto en el calendario de SIMPL, el equipo de ITELLIGENT desarrolló su propio proveedor de aplicaciones para AGENDA, compuesto por tres piezas clave:

• Conector EDC (Eclipse Data Space Component), como punto de entrada al Espacio de Datos, extendido para permitir la conexión con el middleware de AGENDA.
• Middleware de AGENDA, la pieza lógica que comunica el conector con el sistema de anonimización, expuesto como una API independiente y consumible por otras aplicaciones.
• Interfaz de usuario (UI) y API de exposición, que facilitan la comunicación entre sistemas y el uso del servicio por parte de terceros.

Este diseño permite portar la solución de anonimización a cualquier Espacio de Datos manteniendo todas las ventajas de gobernanza y descubrimiento de datos que ofrece esta tecnología.

SDDI: el primer Espacio de Datos del sector social en España

Enrique Mediero presentó SDDI, el Espacio de Datos impulsado por NEOCK y especializado en impacto social. SDDI ofrece soluciones inteligentes orientadas a medir y mejorar resultados en ámbitos como la educación, el empleo, el emprendimiento y la acción social, generando conocimiento compartido y fomentando la innovación social basada en datos. Es precisamente en SDDI donde se ha incorporado el servicio de anonimización de AGENDA desarrollado por Sigma Cognition.

Demostración práctica: del catálogo federado a la anonimización de imágenes

Como cierre de la sesión, Mario Rivas realizó una demostración en vivo del funcionamiento completo del servicio dentro del Espacio de Datos:

PASO 01. Búsqueda del servicio en el catálogo federado provisto por SIMPL, mostrado sin personalización visual para mantener la fidelidad a la implementación de referencia europea.

PASO 02. Consulta de la ficha del servicio, con información sobre precio, política de uso y requerimientos.

PASO 03. Negociación, el paso en el que se valida que el consumo del servicio cumple con los criterios y políticas establecidos por el proveedor, en este caso Sigma Cognition.

PASO 04. Transferencia y configuración, seleccionando las imágenes a anonimizar, el elemento a proteger —en el ejemplo, los rostros— y el nombre de los archivos de salida.

PASO 05. Procesamiento y resultado, con la entrega de las imágenes ya anonimizadas.

Por qué este proyecto es relevante para las organizaciones que gestionan datos sensibles

Este caso práctico ilustra un reto compartido por entidades y organizaciones que trabajan con datos personales sensibles: cómo compartir y explotar información de valor sin comprometer la privacidad de las personas. La solución desarrollada por Sigma Cognition demuestra que es posible incorporar sus servicios avanzados de anonimización dentro de la arquitectura estándar de un Espacio de Datos europeo gracias a la labor de ITELLIGENT y manteniendo la interoperabilidad, la gobernanza y el cumplimiento normativo como pilares del diseño.

El servicio de anonimización AGENDA está disponible en la web de Sigma Cognition, y ofrece una demo en vivo para experimentar el servicio de anonimizacion que se ofrecen en el catálogos para los Espacios de de Datos.https://agenda.sigmacognition.ai/

¿Quieres conocer cómo integrar servicios avanzados o gobernanza del dato en tu propio Espacio de Datos?

En ITELLIGENT ayudamos a organizaciones públicas y privadas a diseñar arquitecturas seguras, interoperables y alineadas con los estándares europeos. ¡Escríbenos! Y atendemos tu caso de uso

La entrada AGENDA: Servicio de Anonimización para Espacios de Datos se publicó primero en ITELLIGENT.

Por eso, en esta edición del blog compartimos cinco lecturas que hemos seleccionado por su relevancia, su rigor y su capacidad para ofrecer una visión de conjunto sobre el momento que atraviesan la inteligencia artificial, los modelos de lenguaje de gran escala (LLM) y la economía del dato. Se trata de obras que aparecen de forma recurrente en las principales listas de recomendación del sector y que, en su conjunto, ofrecen una panorámica completa: desde la visión más técnica y estratégica hasta la reflexión filosófica y geopolítica.

1. IA autónoma y sistemas multiagente. Cómo los agentes redefinen la economía, el trabajo y la burocracia zero-click

AUTORES: Andrés Pedreño Muñoz, Joaquín Pedreño Lloret y Andrés Desantes de Mergelina (2026, en español)

Esta obra es, posiblemente, la lectura más oportuna del momento para cualquier profesional que trabaje con IA aplicada en entornos empresariales o institucionales. Publicada en 2026, aborda el salto cualitativo que se está produciendo en el ecosistema de la inteligencia artificial: el paso de los sistemas conversacionales reactivos a los agentes autónomos capaces de planificar, ejecutar tareas complejas, invocar herramientas externas y colaborar en arquitecturas multiagente sin intervención humana directa. El libro no es un manual técnico al uso. Es, como sus propios autores señalan, una hoja de ruta estratégica, económica y regulatoria para empresas e instituciones que necesitan comprender y gobernar esta transición. Introduce conceptos como la economía máquina a máquina (M2M), la burocracia zero-click o la co-inteligencia, y analiza el impacto en sectores como la industria, la logística, los servicios públicos y la transformación del trabajo. Especialmente relevante para responsables de transformación digital, CIOs y directivos del sector público que necesiten anticiparse al nuevo marco regulatorio europeo sobre sistemas de IA autónoma.

Por qué leerlo: porque la IA agéntica ya está aquí, y entender sus implicaciones económicas, laborales y normativas es una responsabilidad directiva, no solo técnica.

Disponible en Amazon

2. Inteligencia Artificial Generativa. Lo que todo el mundo debe saber

AUTOR: Jerry Kaplan (Traducción al español disponible)

Jerry Kaplan, profesor adjunto en Stanford y uno de los referentes más respetados del sector, ofrece en este libro una introducción rigurosa y accesible a la IA generativa: qué son los LLM, cómo funcionan, qué pueden y qué no pueden hacer, y cuáles son sus implicaciones sociales, económicas y éticas. La obra aparece de forma recurrente en las listas de recomendación de los principales medios especializados porque logra un equilibrio difícil: es lo suficientemente técnica para resultar útil a ingenieros y profesionales del dato, y lo suficientemente clara para ser comprendida por cualquier directivo o responsable de área que necesite tomar decisiones informadas sobre la adopción de estas tecnologías. Kaplan analiza con detalle las preguntas que más preocupan a las organizaciones: ¿qué profesiones se verán más afectadas por la automatización?, ¿cómo deben adaptarse las estructuras legales y regulatorias?, ¿cuál es el límite real de estos sistemas?

Por qué leerlo: porque antes de desplegar IA generativa en una organización, conviene entender con precisión qué es, qué promete y qué riesgos conlleva. Este libro proporciona ese marco conceptual de forma honesta y sin alarmismo

Disponible en Amazon

3. La singularidad está más cerca. Cuando nos fusionamos con la IA

AUTOR: Ray Kurzweil (Traducción al español, editorial Deusto, 2025)

Ray Kurzweil es, con diferencia, el pensador más influyente en el ámbito de las predicciones tecnológicas a largo plazo. En este libro, actualiza las proyecciones que formuló en su obra anterior (La singularidad está cerca, 2005) a la luz de los avances de los últimos veinte años, muchos de los cuales se han materializado según sus previsiones. Sus tesis centrales —que la IA alcanzará el nivel de inteligencia humana hacia 2029 y que la singularidad tecnológica se producirá en torno a 2045— son objeto de intenso debate en la comunidad científica y tecnológica. Pero más allá de si se comparten o no sus conclusiones, el valor del libro reside en la solidez del análisis sobre el crecimiento exponencial de la tecnología, la convergencia entre biología y computación, y el impacto transformador de los LLM en la economía del conocimiento. Ha sido avalado por figuras como Bill Gates y Mustafa Suleyman (CEO de Microsoft AI) y es una referencia imprescindible para entender el marco conceptual en el que se mueve buena parte del debate tecnológico actual.

Por qué leerlo: porque ofrece la perspectiva más ambiciosa sobre el horizonte a largo plazo de la IA, y porque comprender ese horizonte —aunque no se comparta— es necesario para tomar decisiones estratégicas en el presente.

Disponible en Casa del Libro

4. Nexus. Una breve historia de las redes de información desde la Edad de Piedra hasta la IA

AUTOR: Yuval Noah Harari (Traducción al español disponible)

Harari abandona en esta obra la narrativa histórica de largo aliento de Sapiens para centrarse en una tesis muy concreta: la función principal de la información, a lo largo de la historia humana, no ha sido representar la realidad, sino crear vínculos colectivos que permiten la cooperación a gran escala. Y con la llegada de la IA, esa capacidad puede transformarse en una herramienta de manipulación sin precedentes. Su descripción de la IA como una «inteligencia alienígena» —capaz de generar ideas y tomar decisiones sin conciencia humana— ha generado un debate de amplio alcance en el sector. Su advertencia sobre la concentración del poder en manos de una élite tecnológica y la erosión de la autonomía individual conecta directamente con los debates sobre gobernanza del dato, soberanía digital y el marco regulatorio europeo (AI Act, Data Governance Act). Es, quizás, la lectura más filosófica y política de esta selección, pero también la más necesaria para quienes trabajan en el diseño de sistemas de datos con impacto en la ciudadanía y las instituciones.

Por qué leerlo: porque la gobernanza de la IA no es solo un problema técnico o normativo. Es, en última instancia, un problema político. Y Harari lo analiza con una claridad y profundidad que pocos autores igualan.

Disponible en Amazon

5. La ola que viene. IA, poder y nuestro futuro

AUTOR: Mustafa Suleyman (Traducción al español disponible)

Mustafa Suleyman es cofundador de DeepMind y actual CEO de Microsoft AI. Su libro es, en cierto sentido, el contrapunto más riguroso al optimismo de Kurzweil. Suleyman conoce desde dentro el desarrollo de los sistemas de IA más avanzados del mundo, y precisamente por eso su advertencia sobre los riesgos de pérdida de control, inestabilidad geopolítica y crisis de gobernabilidad tiene un peso particular. Su propuesta central es la contención proactiva: establecer marcos éticos y regulatorios internacionales antes de que la tecnología supere la capacidad de las instituciones para gestionarla. Toma como referencia histórica la no proliferación nuclear y argumenta que la IA exige una respuesta geopolítica coordinada de similar envergadura. Para los profesionales que trabajan en el diseño e implantación de sistemas de datos e IA en entornos industriales o institucionales, este libro ofrece una perspectiva imprescindible sobre las responsabilidades que conlleva el desarrollo tecnológico y el rol que deben jugar las empresas tecnológicas en la construcción de un marco de gobernanza global.

Por qué leerlo: porque es el libro de un insider que dice en voz alta lo que muchos en el sector solo susurran. Y porque las decisiones de diseño que tomamos hoy en los sistemas de datos tendrán consecuencias que van mucho más allá de los proyectos individuales.

Disponible en Amazon

Una recomendación extra: si este verano buscas una novela que también haga pensar…

Todas las lecturas anteriores son ensayo, análisis y prospectiva. Pero hay una manera diferente, y a veces más poderosa, de entender el mundo que ha hecho posible la inteligencia artificial: la literatura.

6. MANIAC

AUTOR: Benjamín Labatut (Editorial Anagrama, 2023 — disponible en español)

Benjamín Labatut construye un tríptico narrativo que traza el camino desde los fundamentos de las matemáticas modernas hasta el duelo entre el ser humano y la máquina: la partida de Go que en 2016 enfrentó al gran maestro coreano Lee Sedol con AlphaGo. En el centro de todo, la figura de John von Neumann, el matemático húngaro que más que ningún otro sentó las bases intelectuales del ordenador moderno y anticipó lo que hoy llamamos inteligencia artificial, y que al final de su vida presagió la llegada de una singularidad esencial más allá de la cual los asuntos humanos tal como los conocemos no podrían continuar. Lo que hace singular a MANIAC entre las lecturas de esta lista es que no intenta convencer ni explicar: inquieta. Pone en escena la misma tensión que recorre todos los libros anteriores, pero desde la perspectiva de quienes la vivieron como dilema existencial, no como oportunidad de mercado.

Por qué leerlo: porque entender la IA es también una cuestión sobre los límites de la razón y la responsabilidad del conocimiento. Labatut formula esas preguntas con una precisión que ningún ensayo iguala.

Disponible en Editorial ANAGRAMA

La entrada Cinco lecturas recomendadas sobre IA, LLM y datos para este verano 2026 se publicó primero en ITELLIGENT.

Este es el punto de partida que planteamos en la jornada “Gestión de Territorios Inteligentes: de la estrategia a la implementación”, organizado por el Ayuntamiento de El Puerto de Santa María y la Fundación Ciudades Inteligentes el pasado 11 de junio con la ponencia: el fin del tecno-optimismo y el inicio del desarrollo inteligente. Un enfoque que empieza por diagnosticar los problemas reales de la industria del dato antes de hablar de soluciones, de la mano de nuestro CEO, Jaime Martel y nuestra experta en IA generativa, Maria Segura.

La industria del dato: el contexto que lo cambia todo

Vivimos en un momento en que los datos han pasado de ser un subproducto de los sistemas de información a convertirse en el activo estratégico central de cualquier organización. La capacidad de generar, gestionar y explotar datos ya no es una ventaja competitiva: es una condición de supervivencia institucional. Para un municipio, esto significa que la calidad de sus decisiones en cuestiones de movilidad, servicios sociales, urbanismo, seguridad, etc., depende directamente de su capacidad para acceder a datos relevantes, procesarlos con rapidez y extraer información accionable de ellos. Y en este punto, es donde la mayoría de las administraciones públicas encuentran un muro. Los datos existen, pero el problema es que no están disponibles donde y cuando se necesitan.

Los cinco problemas reales de los datos en la gestión urbana

Para ilustrar los cinco problemas que se repiten con una consistencia llamativa, imaginemos a Lucía, estudiante de la Universidad de Cádiz, con una idea para transformar el transporte urbano: una app que optimiza itinerarios en tiempo real, al estilo de Google Maps pero para el transporte público español. En Europa, su compañera Anna trabaja en exactamente el mismo proyecto, pero desde los Países Bajos.

1. Datos no accesibles

Lucía busca datos de horarios y rutas de autobuses. Hay algunos municipios que no ofrecen nada: los contratos con concesionarias no obligan a publicar datos y muchos municipios ni los tienen digitalizados. El dato existe, pero para Lucía es como si no existiera.

2. Datos accesibles, pero dispersos

Localiza municipios que sí publican datos, pero cada municipio los aloja en su propia web, sin portal común. Varios municipios de la misma provincia que comparten líneas de autobús publican en plataformas distintas, sin ningún vínculo entre ellas.

3. Datos accesibles, pero no interoperables

Al intentar integrarlos, el caos es inmediato: donde el municipio A usa el campo fecha, el municipio B usa date y el municipio C usa dt_salida, por ejemplo. Lucía dedica semanas a scripts de conversión que deberá reescribir cada vez que un municipio actualice sus archivos.

4. Datos con granularidad inadecuada

Con una base unificada, Lucía intenta construir la capa dinámica de su app. Pero le resulta imposible: los datos publicados son estáticos, en algunos municipios y en otros en tiempo real.  Sin posición real de vehículos ni datos en tiempo real, no puede desarrollar su idea de proyecto.

5. Datos poco estructurados

Además, se encuentra que varios municipios publican sus datos en la forma más básica aún: un PDF escaneado del folleto del transporte público. Sin estructura, sin metadatos, sin posibilidad de procesado automático. El dato es público, pero funcionalmente inútil.

En resumen, mientras Lucía atraviesa estos cinco obstáculos, Anna trabaja en un entorno diferente. En los Países Bajos, los datos de transporte están en un portal nacional unificado, en formato estándar abierto y actualizados en tiempo real. Anna tiene un prototipo en dos semanas y una subvención europea de 120.000 euros en cuatro meses. Lucía, en ese mismo período, sigue sin poder demostrar que su idea es viable. El problema no es la idea de Lucía, que es exactamente tan buena como la de Anna. El problema son los datos y a la falta de accesibilidad e interoperabilidad de los mismos.

La consecuencia: sistemas que informan, pero no actúan

El efecto combinado de estos cinco problemas es siempre el mismo: sistemas de información que generan cuadros de mando, pero que no permiten una toma de decisiones ágil ni automatizada. Hablamos de la falta de accionabilidad. Una información es accionable cuando permite tomar decisiones de forma sencilla y rápida. En el extremo más avanzado, la información altamente accionable permite incluso la toma de decisiones automática: el sistema detecta una anomalía, interpreta su contexto y activa una respuesta sin intervención humana. A esos sistemas los llamamos, con razón, inteligentes.

 Las dos palancas para resolver el problema

Una vez identificado el diagnóstico con claridad, las soluciones se vuelven más evidentes. No se trata de adquirir más plataformas ni de contratar más consultoras de transformación digital. Se trata de abordar los problemas de los datos en su raíz con las herramientas adecuadas. Hoy en día, podemos ver cómo los Espacios de Datos y la IA generativa pueden ser dos soluciones a estos problemas.

PALANCA 01 – ESPACIO DE DATOS

Un Espacio de Datos es una infraestructura de intermediación que permite a múltiples entidades compartir datos de forma segura, interoperable y gobernada, a gran escala y con entidades que no necesariamente se conocen de antemano.

La diferencia conceptual con una plataforma de integración convencional es fundamental: el Espacio de Datos no centraliza los datos. Los datos permanecen en manos de sus propietarios. Lo que el Espacio de Datos proporciona son los estándares, los conectores homologados y los mecanismos de confianza que permiten que esos datos fluyan entre quien los genera y quien los necesita, bajo condiciones contractuales y operativas fijadas por el propietario.

Esto resuelve directamente varios de los cinco problemas identificados:

• Los datos inaccesibles se vuelven accesibles porque el Espacio de Datos establece marcos de participación claros y reduce las fricciones contractuales y técnicas para compartir datos.
• Los datos dispersos se integran a través de un nodo central de intermediación al que todos los actores se conectan con un único estándar, en lugar de tener que desarrollar múltiples integraciones bilaterales.
• Los datos no interoperables se armonizan mediante modelos de datos consensuados que todos los participantes del Espacio de Datos adoptan. Un campo, un nombre, un formato: acordado de antemano y aplicado de forma automática.

Además, el Espacio de Datos aporta gobernanza real del dato: cada participante fija las condiciones bajo las que sus datos pueden usarse, con trazabilidad inmutable de cada transacción. Se pasa de un control de acceso, es decir, ¿quién puede ver mis datos?; a un control de uso, ¿para qué pueden emplearse mis datos? Para una administración pública, que gestiona datos de ciudadanos y empresas, esta distinción no es menor, es la diferencia entre cumplir o no cumplir con el marco normativo europeo.

Un ejemplo ilustrativo: imagine un municipio que quiere permitir el acceso de clientes de hoteles y aparcamientos a su zona de tráfico restringido, gestionada mediante cámaras LPR. Sin un Espacio de Datos, el ayuntamiento necesita desarrollar y mantener una integración bilateral con cada hotel, cada aparcamiento y cada operador de cámaras. Si se suman más municipios, el esfuerzo se multiplica. Con un Espacio de Datos como EDINT (Espacios de Datos para las Infraestructuras Urbanas Inteligentes), todos los actores se conectan a través de un único nodo. El ayuntamiento publica sus condiciones una sola vez. Cualquier nuevo participante se adhiere con el mismo estándar. Y el sistema es, por diseño, federado con el Espacio de Datos Europeo de Movilidad. 

PALANCA 02 – IA GENERATIVA

Los Espacios de Datos resuelven el problema del flujo de datos. Pero quedan por abordar los problemas de estructuración y accionabilidad. Aquí entra la IA generativa.

La IA generativa es especialmente relevante para dos de los cinco problemas identificados. Para los datos poco estructurados, los modelos de lenguaje de gran escala permiten procesar texto libre, imágenes y audio para extraer información estructurada de forma automática y a escala. Un informe de incidencias en PDF, una transcripción de llamada al servicio de atención ciudadana, una descripción narrativa de una avería: todos son fuentes de datos que la IA generativa puede convertir en registros estructurados y accionables.

Para el problema de la accionabilidad, la IA generativa (especialmente sistemas multiagentes, donde varios agentes especializados colaboran para resolver problemas complejos) permite construir sistemas que no solo informan sino que proponen o ejecutan respuestas. Un sistema de alerta temprana de incidencias urbanas. Un asistente de atención ciudadana capaz de resolver consultas complejas. Un motor de recomendaciones para la optimización de rutas de recogida de residuos. Y muchos casos más.

No obstante, el despliegue de IA en entornos de administración pública exige rigor. El Reglamento Europeo de Inteligencia Artificial (RIA) clasifica como sistemas de alto riesgo aquellos destinados a gestionar infraestructuras críticas o a tomar decisiones que afectan a derechos de los ciudadanos. Esto implica obligaciones de documentación, evaluación de riesgos y supervisión humana que los municipios deben incorporar desde el diseño, no como un añadido posterior.

Igualmente, relevante es la decisión entre modelos soberanos (desplegados en infraestructura propia, como ALIA o Mistral) y modelos SaaS (como ChatGPT o Gemini). Para datos sensibles de ciudadanos, la soberanía del dato no es un requisito opcional, es una condición de partida.

Del tecno-optimismo al desarrollo inteligente

El tecno-optimismo apostó por la tecnología como solución en sí misma. El desarrollo inteligente parte de un diagnóstico de los problemas y elige las herramientas en función de ese diagnóstico. Los Espacios de Datos y la IA generativa no son soluciones milagrosas. Son sistemas e infraestructuras con capacidades que, correctamente implementadas sobre una estrategia de dato sólida, permiten que el resto de las inversiones tecnológicas de un municipio generen el valor que prometían.

En ITELLIGENT acompañamos a nuestros clientes en este recorrido: desde la identificación de los problemas concretos con los datos hasta la implementación de Espacios de Datos basados en estándares europeos Gaia-X e IDSA o con soluciones como AgentStudio, nuestro sistema mitigante basado en IA generativa.

El desarrollo inteligente no empieza con una plataforma. Empieza con las preguntas correctas. Te escuchamos

La entrada El fin del tecno-optimismo: cómo resolver los problemas reales de la industria del dato en ciudades inteligentes se publicó primero en ITELLIGENT.

La inscripción es gratuita y la sesión se celebrará a través de Microsoft Teams:

INSCRIPCIÓN GRATUITA – REGÍSTRATE AQUÍ:

AGENDA: servicio anonimización de datos optimizado para los espacios de datos

Por qué la anonimización es un servicio crítico para los Espacios de Datos

Los Espacios de Datos europeos (construidos sobre los marcos de referencia de Gaia-X, IDSA y el DSSC Blueprint) permiten a organizaciones públicas y privadas compartir datos manteniendo en todo momento la soberanía sobre ellos: cada participante decide qué comparte, con quién y bajo qué condiciones de uso, y la tecnología se encarga de hacer cumplir esas reglas.

Sin embargo, en sectores que trabajan con información especialmente sensible (como el sector social, el sanitario o la administración pública), la soberanía del dato no es suficiente por sí sola. Para que esos datos puedan compartirse y explotarse en aplicaciones de Inteligencia Artificial con plenas garantías, es imprescindible disponer de servicios de anonimización robustos, capaces de procesar no solo texto, sino también imágenes, audio y vídeo: lo que se conoce como anonimización multimodal.

Este es precisamente el objetivo del proyecto AGENDA: desarrollar un servicio de anonimización optimizado para Espacios de Datos e integrarlo en un entorno real de producción. El resultado combina dos de los principios que guían el diseño de cualquier infraestructura de datos federada: privacidad desde el diseño y cumplimiento normativo, como condiciones habilitadoras para generar confianza entre los participantes y extraer valor de los datos para la sociedad.

El papel de ITELLIGENT: la integración en el Espacio de Datos

En esta sesión, el equipo de ITELLIGENT presentará la arquitectura de integración del servicio de anonimización en el Espacio de Datos, explicando cómo un servicio de valor añadido de estas características se incorpora a una infraestructura federada conforme a los marcos europeos de referencia (DSSC Blueprint, IDSA/IDS-RAM y Gaia-X), con tecnologías como el Eclipse Dataspace Connector (EDC) y los estándares DCAT y ODRL.

Esta participación se enmarca en el posicionamiento de ITELLIGENT como especialista en Espacios de Datos e interoperabilidad: somos miembros del Hub Gaia-X España, participamos en las iniciativas del Data Spaces Support Centre (DSSC) y formamos parte del Subcomité CTN-UNE 71/SC 43 de Gobierno, gestión de datos y espacios de datos.

Agenda del Webinar | Servicio de anonimización multimodal para Espacios de Datos

1. El servicio de anonimización multimodal – Sigma Cognition. Funcionamiento y características principales.
2. Integración en Espacios de Datos – ITELLIGENT. Arquitectura y características principales.
3. SDDI: un espacio de datos especializado en el sector social – Grupo neoCK. Objetivo, misión y tipo de datos y servicios que comparte.
4. Demostración en vivo – Todos. Integración y funcionamiento del servicio de anonimización en el espacio de datos SDDI.
5. Preguntas y respuestas.

A quién va dirigido

La sesión resultará de especial interés para responsables de transformación digital de administraciones públicas, entidades del tercer sector y del ámbito social, integradores tecnológicos y, en general, para cualquier organización que necesite compartir datos sensibles con garantías de privacidad y cumplimiento normativo en el marco de los Espacios de Datos europeos.

Sobre el proyecto AGENDA

El proyecto AGENDA se desarrolla al amparo de la Convocatoria de Productos y servicios tecnológicos para espacios de datos 2024 (TSI-100130-2024-97), se encuadra en la iniciativa del CRED (Centro de Referencia de los Espacios de Datos), impulsada por la Secretaría de Estado de Digitalización e Inteligencia Artificial y gestionada por Red.es, y está financiado por la Unión Europea – NextGenerationEU, en el marco del Plan de Recuperación, Transformación y Resiliencia.

¿Quieres estar al día de nuestros contenidos sobre Espacios de Datos e Inteligencia Artificial aplicada? Suscríbete a nuestra newsletter mensual y síguenos en LinkedIn

La entrada Webinar | Servicio de anonimización multimodal para Espacios de Datos: el caso práctico del proyecto AGENDA se publicó primero en ITELLIGENT.

Por este motivo, en este post, establecemos un glosario con los términos fundamentales que cualquier profesional técnico, responsable de transformación digital o decisor estratégico debería conocer antes de integrar un LLM en su organización.

Conceptos fundamentales

1. TOKEN. La unidad mínima de procesamiento en un LLM. Un token puede corresponder a una palabra completa, una sílaba o un símbolo de puntuación, dependiendo del tokenizador utilizado. El número de tokens condiciona directamente el coste computacional y el límite de contexto de cada interacción con el modelo.
2. PARÁMETROS (PARAMETERS). Son los valores numéricos internos del modelo que se ajustan durante el proceso de entrenamiento. Un LLM de gran tamaño puede contener miles de millones de parámetros (por ejemplo, 70B equivale a 70.000 millones). A mayor número de parámetros, mayor capacidad expresiva del modelo, aunque también mayor coste de inferencia.
3. VENTANA DE CONTEXTO (CONTEXT WINDOW). El número máximo de tokens que un modelo puede procesar simultáneamente en una única llamada, incluyendo tanto el input (instrucción y documentos proporcionados) como el output generado. Es un factor crítico en aplicaciones que requieren el análisis de documentos extensos o conversaciones largas.
4. TEMPERATURA (TEMPERATURE). Parámetro de inferencia que controla el grado de aleatoriedad en las respuestas del modelo. Un valor cercano a 0 produce respuestas más deterministas y reproducibles, adecuadas para tareas técnicas estructuradas. Un valor alto introduce mayor variabilidad creativa, pero puede comprometer la exactitud factual.

Arquitectura y entrenamiento

1. TRANSFORMER. Arquitectura de red neuronal publicada en 2017 («Attention Is All You Need») que constituye la base técnica de todos los LLM modernos. Su mecanismo central, la atención (attention), permite al modelo capturar dependencias entre tokens distantes en un texto, superando las limitaciones de arquitecturas previas como las RNN o LSTM.
2. EMBEDDINGS. Representaciones vectoriales de alta dimensión que codifican el significado semántico de tokens, frases o documentos. Los embeddings permiten medir similitud semántica entre textos mediante distancias vectoriales y son el componente fundamental en arquitecturas de recuperación de información como RAG
3. PRE-ENTRENAMIENTO (PRE-TRAINING). Fase inicial del desarrollo de un LLM en la que el modelo es entrenado sobre enormes corpus de texto (terabytes de datos) con el objetivo de aprender estructuras del lenguaje, conocimiento factual y capacidades de razonamiento general. Es la fase más costosa computacionalmente y generalmente está a cargo de los grandes laboratorios de IA.
4. FINE-TUNING (AJUSTE FINO). Proceso de entrenamiento adicional sobre un modelo base pre-entrenado, utilizando un corpus de datos específico del dominio o la tarea objetivo. Permite especializar el comportamiento del modelo para casos de uso concretos (por ejemplo, análisis de documentos de defensa o procesamiento de informes técnicos logísticos) sin necesidad de entrenar desde cero.
5. RLHF (REINFORCEMENT LEARNING FROM HUMAN FEEDBACK). Técnica de entrenamiento que utiliza retroalimentación humana para alinear el comportamiento del modelo con las preferencias y valores deseados. Es el método que ha permitido convertir modelos de lenguaje genéricos en asistentes conversacionales más seguros, útiles y alineados con el uso previsto.

Técnicas de uso e integración

1. PROMPT. La instrucción o entrada de texto que el usuario o el sistema proporciona al modelo para obtener una respuesta. El diseño del prompt (prompt engineering) es una disciplina en sí misma que determina en gran medida la calidad, el formato y la precisión del output generado.
2. PROMPT ENGINEERING. Disciplina que estudia cómo formular, estructurar y optimizar las instrucciones proporcionadas a un LLM para maximizar la calidad de las respuestas. Incluye técnicas como few-shot prompting (proporcionar ejemplos), chain-of-thought (razonamiento paso a paso) o role prompting (asignación de un rol al modelo).
3. RAG (RETRIEVAL-AUGMENTED GENERATION). Arquitectura que combina un sistema de recuperación de información con un LLM generativo. Ante una consulta, el sistema recupera primero los fragmentos de documentación más relevantes desde una base de conocimiento vectorial y los incorpora al contexto del modelo, que genera una respuesta fundamentada en esa información. Es especialmente útil en entornos corporativos donde se requiere que el modelo opere sobre documentación interna actualizada sin necesidad de re-entrenamiento.
4. BASE DE DATOS VECTORIAL (VECTOR DATABASE). Sistema de almacenamiento optimizado para gestionar embeddings y realizar búsquedas por similitud semántica. Es el componente de infraestructura que sustenta las arquitecturas RAG, permitiendo recuperar eficientemente los fragmentos de texto más relevantes para una consulta dada. Ejemplos habituales: Pinecone, Weaviate, Chroma o pgvector.
5. AGENTE DE IA (AGENTIC AI / AI AGENT). Sistema basado en LLM que no se limita a responder preguntas, sino que es capaz de planificar, ejecutar acciones, usar herramientas externas (APIs, buscadores, bases de datos) y tomar decisiones de forma autónoma para alcanzar un objetivo definido. La IA agéntica representa la evolución hacia sistemas capaces de automatizar flujos de trabajo completos.
6. FUNCTION CALLING / TOOL USE. Capacidad de un LLM para invocar funciones o herramientas externas definidas por el desarrollador. Permite integrar el modelo con sistemas corporativos, APIs de negocio, bases de datos o servicios externos, convirtiendo al LLM en el orquestador de flujos de trabajo complejos.

Limitaciones y riesgos

1. ALUCINACIÓN (HALLUCINATION). Fenómeno por el cual un LLM genera información factualmente incorrecta con apariencia de veracidad. Es una de las limitaciones más críticas en despliegues empresariales, especialmente en sectores regulados. Las arquitecturas RAG y los mecanismos de validación de salidas son las principales estrategias técnicas para mitigar este riesgo.
2. SESGO (BIAS). Los LLM pueden reproducir y amplificar sesgos presentes en sus datos de entrenamiento —sesgos de género, culturales, geopolíticos o lingüísticos—, lo que puede afectar a la equidad y la neutralidad de las respuestas. La gestión del sesgo es un requisito de cumplimiento relevante en el contexto del AI Act europeo.
3. LÍMITE DE CONTEXTO. Los LLM no retienen memoria entre conversaciones independientes y están sujetos a un límite máximo de tokens por sesión. Cuando una conversación supera este límite, el modelo pierde acceso a las partes más antiguas del historial. Este aspecto debe tenerse en cuenta en el diseño de arquitecturas conversacionales de larga duración.
4. INYECCIÓN DE PROMPT (PROMPT INJECTION). Técnica de ataque mediante la cual un actor malicioso introduce instrucciones ocultas en los datos de entrada para manipular el comportamiento del modelo, eludir sus restricciones o extraer información sensible. Es una vulnerabilidad de seguridad específica de los sistemas basados en LLM que debe ser considerada en cualquier despliegue en entornos con acceso a datos críticos.

Despliegue y soberanía del modelo.

1. INFERENCIA (INFERENCE). Proceso mediante el cual un modelo ya entrenado genera respuestas a partir de una entrada. A diferencia del entrenamiento, la inferencia es el proceso que ocurre en producción y cuyo coste computacional y latencia condicionan la viabilidad operativa del sistema.
2. DESPLIGEUE ON-PREMISE vs EN LA NUBE. Los LLM pueden desplegarse en infraestructura propia de la organización (on-premise) o mediante servicios de terceros en la nube. Para sectores con requisitos estrictos de soberanía del dato (defensa, administración pública, infraestructuras críticas), el despliegue on-premise o en nubes soberanas europeas es frecuentemente un requisito no negociable.
3. CUANTIZACIÓN (QUANTIZATION). Técnica de optimización que reduce la precisión numérica de los parámetros del modelo (de 32 o 16 bits a 8 o 4 bits) para disminuir sus requisitos de memoria y acelerar la inferencia, con un impacto controlado en la calidad de las respuestas. Es una estrategia habitual para hacer viable el despliegue de modelos de gran tamaño en hardware con recursos limitados
4. SLM (SMALL LANGUAGE MODEL). Modelos de lenguaje de menor tamaño (típicamente entre 1B y 13B parámetros) optimizados para ejecutarse con eficiencia en hardware menos potente, incluyendo entornos edge o dispositivos sin conectividad permanente. Su uso es especialmente relevante en aplicaciones industriales o de campo donde la latencia, la privacidad o la disponibilidad de infraestructura son condicionantes críticos.

Conclusión: el lenguaje técnico como ventaja estratégica.

El dominio de la terminología en torno a los LLM no es un fin en sí mismo, sino una condición necesaria para tomar decisiones informadas sobre qué modelos adoptar, cómo integrarlos de forma segura en los procesos de la organización y cómo evaluar los riesgos asociados.

En ITELLIGENT trabajamos con modelos de lenguaje en el contexto de nuestras soluciones de Inteligencia Artificial aplicada, tanto en arquitecturas conversacionales como en pipelines de análisis y procesamiento de datos. Si tu organización está evaluando la incorporación de LLM a sus procesos (ya sea en un entorno cloud, on-premise o en el marco de un Espacio de Datos) podemos acompañarte desde la definición técnica hasta el despliegue en producción.

¿Tienes preguntas sobre cómo aplicar LLM en tu sector? ¡Escríbenos!

La entrada Glosario de términos en Large Language Models o LLMs que debes conocer se publicó primero en ITELLIGENT.

A lo largo de esta primera fase, el CEOD ha llevado a cabo una intensa agenda de dinamización territorial y visibilidad institucional, manteniendo una coordinación continua con la FEMP, los demás CEODs a nivel nacional y las distintas delegaciones municipales implicadas. Un logro destacable de este período es la activación de un ecosistema local del dato integrado por empresas y entidades estratégicas del territorio, entre las que se encuentra ITELLIGENT, presentes también como miembros de NEXUR Clúster Tecnológico, que demuestra que la economía del dato no es solo una aspiración técnica, sino una realidad que ya está tomando forma en Jerez.

El evento fue inaugurado por María José García Pelayo, Alcaldesa de Jerez y Presidenta de la Federación Española de Municipios y Provincias (FEMP), quien puso en valor el trabajo en equipo y la colaboración entre el sector público y privado, e invitó a los presentes a «reflexionar sobre el camino de EDINT, a evaluar la hoja de ruta y la tarea que tenemos por delante». Asimismo, destacó que el proyecto «se ha consolidado como uno de los proyectos más relevantes de innovación territorial y economía del dato desarrollados actualmente en nuestra ciudad».

Jaime Carnicero, Director General de Organización y Recursos de la FEMP, reforzó ese mensaje subrayando la vocación de permanencia de la iniciativa: «Esta iniciativa no es pasajera ni un servicio más dentro de la FEMP, sino que posee una clara vocación de permanencia y viene para quedarse de forma definitiva. Hemos construido una plataforma de interoperabilidad tecnológica segura, robusta y confiable que solventa barreras de acceso técnico y posiciona de manera directa a los municipios españoles como los verdaderos líderes de la gestión urbana inteligente.» También intervino Francisco García-Vieira, Director de Recursos Digitales de Red.es, quien destacó el apoyo de la administración central al desarrollo de infraestructuras urbanas inteligentes y el impacto decisivo de los fondos europeos en este avance.

Nuestro CEO, Jaime Martel, participó como ponente para exponer qué son los Espacios de Datos, cómo funcionan y qué ventajas concretas aportan a ciudades como Jerez. En este artículo recogemos las ideas principales de esa intervención.

Qué es un Espacio de Datos 

Un Espacio de Datos es una infraestructura que permite compartir datos entre dos o más entidades de forma escalable, sencilla y segura, incluso entre organizaciones que no se conocen previamente. La clave está en que el propio sistema establece las reglas del intercambio: quién puede acceder, a qué datos, con qué condiciones y durante cuánto tiempo. Los datos no salen del control de quien los genera; la tecnología hace cumplir las reglas de forma automática.

Espacios de Datos para las Infraestructuras Urbanas Inteligentes (EDINT) es el proyecto que lleva este modelo al ámbito de la administración local en España. Jerez es una de las 12 entidades que participan en su desarrollo a escala nacional, y el trabajo que está realizando su CEOD ha merecido reconocimiento institucional al más alto nivel.

El problema que resuelven: un ejemplo real

Para ilustrar el valor práctico de los Espacios de Datos, Jaime Martel planteó en su ponencia un caso de uso sobre turismo y movilidad urbana que refleja con claridad el problema que esta tecnología viene a resolver.

CONTEXTO. Los centros históricos de muchas ciudades son zonas de acceso restringido, controladas mediante cámaras de lectura de matrículas (LPR) que sancionan a los vehículos sin permiso. Esta restricción, necesaria para la convivencia urbana, genera un problema colateral: los hoteles y parkings de la ciudad ven limitada su actividad porque sus clientes no pueden acceder fácilmente.

NECESIDAD. Un Ayuntamiento quiere conceder acceso temporal a los clientes de parking y hoteles. Para ello, necesita compartir datos con estas empresas y con los operadores de las cámaras LPR. Una operación en apariencia sencilla que, sin la infraestructura adecuada, se convierte en un problema complejo.

UNA SOLUCIÓN SIN ESPACIO DE DATOS. El Ayuntamiento tiene que establecer integraciones técnicas individuales con cada empresa de parking, cada hotel y cada operador de cámaras. Si se suman otros municipios que quieren implementar el mismo sistema, el esfuerzo se multiplica. El resultado es una arquitectura cara, compleja y difícil de mantener, que solo está al alcance de las organizaciones con mayores recursos técnicos y económicos.

LA SOLUCIÓN CON ESPACIO DE DATOS. Un Espacio de Datos actúa como puente común entre todas las entidades. Cada organización se conecta una sola vez, a través de un conector homologado, y desde ese momento puede compartir datos con cualquiera de los demás participantes. Añadir un nuevo ayuntamiento, una nueva empresa o un nuevo tipo de dato no requiere duplicar el esfuerzo: simplemente se adhieren al sistema.

Las ventajas clave de un Espacio de Datos.

A partir de ese ejemplo, podemos desglosar una serie de ventajas estructurales que aporta este modelo de espacio de dato:

EDINT: el Espacio de Datos de las ciudades inteligentes españolas

El proyecto EDINT materializa este modelo en el contexto de la administración local. Su objetivo es construir la infraestructura de datos que permita a los ayuntamientos compartir información con empresas y ciudadanos de forma segura, interoperable y con plenas garantías de gobernanza.

Jerez no es solo un participante más: es uno de los territorios donde este modelo está demostrando su viabilidad con mayor solidez. La presencia del CEOD, el respaldo institucional de la Alcaldesa y el nivel técnico del equipo que lleva este proyecto —entre quienes tuvimos el placer de coincidir— son señales de que estamos ante una iniciativa con recorrido real.

La jornada nos brindó además la oportunidad de compartir espacio con algunos de los profesionales que hacen posible que proyectos como EDINT pasen del papel a la realidad. Queremos agradecerles su dedicación y el trato recibido.

Francisco Javier García Vieira, Director de Recursos Digitales de Red.es; Miguel Ángel Martín Rodríguez, Jefe de Proyecto CEOD EDINT; Salvador González Gil, Jefe de Departamento de Desarrollo del SIM del Ayuntamiento de Jerez; Amparo Bou Martí, Dinamizadora del Centro de Excelencia y Oficina del Dato de EDINT en Jerez; Francisco Gómez Guerrero, Director de Servicios de Informática SIM del Ayuntamiento de Jerez; y Sandra Fano Rodríguez, Líder del Centro de Excelencia y Oficina del Dato en Jerez dentro del proyecto nacional EDINT.

ITELLIGENT y los Espacios de Datos

La participación de Jaime Martel como ponente en el EDINT Data Day de Jerez refleja el compromiso de ITELLIGENT con el desarrollo de los Espacios de Datos en España. No solo desarrollamos tecnología para este ámbito, sino que acompañamos a administraciones públicas y organizaciones privadas en la comprensión y adopción de este nuevo paradigma. Si tu organización está evaluando cómo implementar un Espacio de Datos, como adherirse a uno o quiere entender qué puede aportar esta tecnología a su modelo operativo, estaremos encantados de compartir nuestra experiencia.

¡Escríbenos!

La entrada EDINT Data Day Jerez: qué es un Espacio de Datos y por qué transforma la ciudad inteligente se publicó primero en ITELLIGENT.

ITELLIGENT Information Technologies ha sido aceptada como miembro de pleno derecho del Clúster Marítimo Naval de Cádiz, tras la aprobación por unanimidad de su solicitud de ingreso por parte de la Junta Directiva de la asociación. Esta incorporación marca un paso relevante en la presencia de ITELLIGENT en el ecosistema industrial y tecnológico del sector naval en Andalucía.

Un espacio de referencia para la industria naval e industrial de Cádiz

El Clúster Marítimo Naval de Cádiz es una asociación empresarial que agrupa a empresas e instituciones vinculadas al sector naval, marítimo e industrial de la provincia de Cádiz. Su misión es fortalecer la competitividad del sector a través de la colaboración entre sus socios, la transferencia de conocimiento y la participación conjunta en proyectos de innovación e internacionalización.

La Bahía de Cádiz y el Estrecho de Gibraltar constituyen uno de los entornos de mayor actividad naval e industrial de España, con actores de primer nivel en construcción naval, mantenimiento de buques, logística portuaria y defensa. En este contexto, el Clúster actúa como plataforma de articulación entre empresas, centros tecnológicos, universidades y administraciones públicas para impulsar proyectos de alto valor estratégico.

Qué aporta ITELLIGENT al Clúster Naval

La incorporación de ITELLIGENT al Clúster Marítimo Naval de Cádiz responde a una vocación clara: contribuir con capacidades especializadas en gestión del dato, inteligencia artificial aplicada e interoperabilidad a un sector que afronta retos crecientes de transformación digital. En un entorno industrial como el naval, la capacidad de integrar, analizar y compartir datos de forma segura y soberana es cada vez más determinante, tanto en operaciones de mantenimiento predictivo, logística portuaria o planificación de flotas, como en proyectos con dimensión de defensa donde la gobernanza del dato y la seguridad de la información son requisitos no negociables.

El valor de la colaboración sectorial

Para ITELLIGENT, la pertenencia al Clúster Marítimo Naval de Cádiz no es únicamente un hito de visibilidad, sino una apuesta por la colaboración activa con el tejido empresarial e institucional de un sector estratégico para nuestra región y para la industria a nivel nacional.

La posibilidad de trabajar junto a empresas del sector en proyectos conjuntos, identificar necesidades reales de gestión de información y contribuir con soluciones tecnológicas de alto valor técnico está en la base de esta decisión. El Clúster ofrece el marco idóneo para establecer relaciones de confianza y desarrollar iniciativas de innovación que generen impacto real en las organizaciones del sector.

Agradecemos a la Junta Directiva del Clúster Marítimo Naval de Cádiz, presidida por D. José Luis García-Zaragoza Pérez, la confianza depositada en ITELLIGENT y la cálida bienvenida recibida. Nos incorporamos con el compromiso de participar, colaborar y aportar lo mejor de nuestras capacidades en beneficio del conjunto de los socios y del sector.

¿Eres del sector naval y tu organización está preparada para aplicar la IA? Escríbenos, te escuchamos.

La entrada ITELLIGENT se incorpora al Clúster Marítimo Naval de Cádiz se publicó primero en ITELLIGENT.

La inteligencia artificial ha dejado de ser una tecnología emergente para convertirse en un componente central de la operación de muchas organizaciones. Esto trae consigo una pregunta que cada vez más equipos directivos y responsables de transformación digital se formulan: ¿Cómo se gobierna la IA de forma rigurosa, ética y verificable?

La respuesta, desde el plano normativo internacional, llega de la mano de la ISO/IEC 42001:2023 —adoptada en España como UNE-ISO/IEC 42001:2025—, el primer estándar internacional que establece los requisitos para implantar un Sistema de Gestión de la Inteligencia Artificial (SGIA) en cualquier tipo de organización.

En ITELLIGENT seguimos de cerca la evolución normativa en materia de IA, entre otras razones porque nuestro CEO, Jaime Martel, preside el Subcomité UNE de Inteligencia Artificial y Big Data (CTN-UNE 71/SC 42), órgano técnico que agrupa a 57 entidades y 136 expertos españoles y que ha participado activamente en la elaboración de este estándar.

A continuación, en este artículo, explicamos qué establece la norma, por qué importa y qué implica para las organizaciones que ya están desplegando Inteligencia Artificial.

¿Qué es la ISO/IEC 42001 y por qué es relevante?

La ISO/IEC 42001:2023 es el primer estándar internacional de gestión desarrollado específicamente para la Inteligencia Artificial. Ha sido elaborado por las organizaciones internacionales ISO e IEC, y adoptado en España por AENOR bajo la denominación UNE-ISO/IEC 42001:2025. A diferencia de lo que podría parecer, no es una norma técnica que dicte cómo deben programarse los algoritmos. Es una norma de sistema de gestión, de la misma familia que la ISO 9001 (calidad) o la ISO 27001 (seguridad de la información). Su función es definir qué procesos, controles, roles y evidencias debe establecer una organización para desarrollar, desplegar y operar sistemas de Inteligencia Artificial de forma responsable, ética y conforme a la legislación aplicable.

¿Qué exige la norma? Los cinco pilares del SGIA

UN ENFOQUE BASADO EN EL RIESGO

La norma permite que las organizaciones apliquen sus requisitos con un enfoque basado en el riesgo, asegurando que el nivel de control exigido sea proporcional a los casos de uso, productos o servicios de IA de cada organización. No todos los sistemas de Inteligencia Artificial requieren el mismo nivel de gobernanza: la norma reconoce esta diversidad y la incorpora a su estructura.

Una pregunta frecuente entre los equipos de cumplimiento y tecnología es si la ISO/IEC 42001 y el Reglamento Europeo de Inteligencia Artificial (AI Act) son redundantes. Sin embargo, no es así, se tratan de marcos complementarios que se refuerzan mutuamente. Exponemos algunos conceptos en base a diversas dimensiones:

En la práctica, implementar un SGIA conforme a la ISO/IEC 42001 es uno de los mecanismos más sólidos para demostrar el cumplimiento de los principios del AI Act. Organizaciones con sistemas de IA clasificados como de alto riesgo —en sectores como defensa, infraestructuras críticas, administración pública o empleabilidad— encontrarán en esta norma un camino claro hacia la acreditación formal.

La visión de nuestro CEO y presidente del Subcomité UNE de IA

Jaime Martel, CEO de ITELLIGENT y presidente del Subcomité UNE de Inteligencia Artificial y Big Data (CTN-UNE 71/SC 42), publicó su visión sobre esta norma en la revista de AENOR. Su reflexión sintetiza una perspectiva que combina la dimensión técnica con la estratégica:

El hecho de que Jaime Martel presida el subcomité técnico que ha impulsado la adopción española de esta norma no es un dato menor. Significa que ITELLIGENT no solo conoce la ISO/IEC 42001 desde la perspectiva de la implementación, sino que ha participado activamente en su definición y adaptación al contexto español. Es una posición de privilegio que repercute directamente en la calidad del asesoramiento que ofrecemos a nuestros clientes.

Implicaciones por sectores: defensa, sector público y logística

Aunque la ISO/IEC 42001 es aplicable a cualquier organización, su impacto práctico variará según el sector. Desde la perspectiva de ITELLIGENT, estas son las áreas en las que la norma tendrá mayor relevancia operativa en los próximos años:

1. Defensa, naval y aeroespacial. Los sistemas de IA en estos entornos (desde análisis predictivo hasta sistemas de apoyo a la decisión) se encuadran habitualmente en las categorías de mayor riesgo del AI Act. Disponer de un SGIA certificado conforme a ISO/IEC 42001 será, muy probablemente, un criterio de valoración o requisito en licitaciones públicas de defensa. Las organizaciones con certificaciones como ENS Alto o marcos Gaia-X/IDSA tienen una ventaja real: ya disponen de la cultura y los procesos de gobernanza del dato que la norma de IA extiende y formaliza.
2. Administración pública y sector público. El uso de IA por parte de administraciones para apoyar decisiones que afectan a ciudadanos (sistemas de alerta temprana, análisis de demanda de servicios, optimización de recursos urbanos) exige una trazabilidad y transparencia que la ISO/IEC 42001 sistematiza. La soberanía del dato y la rendición de cuentas, principios centrales en la agenda de digitalización del sector público español, encuentran en esta norma su expresión más concreta en el ámbito de la IA.
3. Logística, puertos e industria. En entornos operacionales donde la IA ya optimiza cadenas de suministro, anticipa averías o gestiona flotas, la norma ofrece algo muy valioso: un marco para sistematizar lo que muchas organizaciones ya hacen de forma ad hoc. Documentar las evaluaciones de riesgo, formalizar los procesos de revisión de modelos y asignar responsabilidades claras son pasos que estas organizaciones ya están dando y la ISO/IEC 42001 los convierte en evidencia auditable.

• Revista UNE nº 80 — El estándar global de IA para las empresas, disponible en español (mayo 2025)
• Jaime Martel, articulo de opinión: «Marco para una inteligencia artificial confiable y responsable». En Revista UNE nº 80.
• Norma UNE-ISO/IEC 42001:2025 — AENOR
• Reglamento (UE) 2024/1689 del Parlamento Europeo relativo a la inteligencia artificial (AI Act).
• ISO/IEC 42001:2023

¿Tu organización está preparada para gestionar y aplicar la IA? Escríbenos, te ayudamos.

La entrada ISO/IEC 42001: El primer estándar internacional para gestionar la IA en las organizaciones se publicó primero en ITELLIGENT.