Esta web que tienes delante ha sido una de las protagonistas del boletín «Proyecto Gráfico» N.º 30, donde la hemos destacado como un ejemplo precioso de cómo el diseño puede acercar los datos a la gente sin perder claridad ni personalidad. Si has llegado hasta aquí por esa newsletter, aprovecha para suscribirte —si aún no lo has hecho— y seguir al tanto de más noticias interesantes y apasionantes sobre los múltiples temas que tratamos: diseño editorial, tecnología, visualización de datos, cultura visual y todas esas rarezas que nos gustan tanto.
Hay un momento extraño que cualquiera que viva en Asturias habrá experimentado: abres el móvil buscando saber si llueve en Cangas del Narcea, si hay retenciones en la autopista o si el embalse de Tanes aguanta bien la sequía, y acabas saltando entre cuatro aplicaciones distintas, tres webs oficiales y un par de grupos de WhatsApp. La información existe. Está publicada. Pero nadie la ha puesto junta. Hasta ahora.
datoasturias.com es exactamente eso: un panel interactivo en tiempo real que reúne más de 30 fuentes de datos abiertos institucionales en una única interfaz visual, construida por Imanol Iglesias Fernández, un desarrollador afincado en Oviedo, sin ánimo de lucro y con una paciencia que debería estar catalogada como bien cultural del Principado.
Lo que ocurre bajo el capó
La plataforma agrega datos de organismos tan distintos como la AEMET, el INE, la Red Eléctrica de España, la Confederación Hidrográfica del Cantábrico, la DGT, la NASA FIRMS, el sistema Copernicus de la Unión Europea o Renfe, entre muchos otros. No se trata de copiar y pegar noticias ni de hacer capturas de pantalla: los datos se actualizan automáticamente con frecuencias que van desde los cinco minutos —para la meteorología— hasta periodicidad diaria o semanal según la fuente. El resultado es que cuando abres la web puedes consultar, literalmente, si hay focos de calor activos en los montes de Tineo detectados por satélite, qué temperatura superficial tiene el mar Cantábrico, o cuánta agua queda en los embalses asturianos esta mañana.
Detrás de esa aparente sencillez hay una arquitectura de integración de datos nada trivial. Cada fuente habla su propio idioma: APIs REST, feeds GTFS-RT para el tráfico ferroviario, capas WMS para los mapas de riesgo de inundación, ficheros abiertos del Ministerio de Energía para los precios de carburantes en cada gasolinera asturiana. Iglesias ha tenido que armonizar todo eso en una interfaz que funciona sin pedirle al usuario ningún conocimiento técnico previo. El dato llega y ya está. Presentado. Legible. Útil.
Una radiografía completa del Principado
La web se organiza en secciones que reflejan, de manera casi enciclopédica, la vida cotidiana de la región. La sección de transportes muestra horarios y retrasos en tiempo real de Cercanías Asturias, vuelos del aeropuerto de Asturias, cámaras de tráfico de la DGT y tiempos de recorrido entre ciudades. La de economía recoge indicadores como el PIB, el paro, la afiliación a la seguridad social, las exportaciones o el mix energético, con series históricas y comparativas interanuales. Hay un bloque de precios con el coste de la luz hora a hora, los carburantes en todas las gasolineras de la región y el IPC desglosado por grupos. Y una sección de salud que incluye vigilancia epidemiológica semanal —gripe, COVID-19, virus respiratorio sincitial— junto con un localizador de farmacias de guardia.
El módulo de calidad de vida es quizás uno de los más ambiciosos: incorpora un índice propio basado en ocho dimensiones —prosperidad, empleo, demografía, dinamismo, gasto público, vivienda, educación y salud— con un ranking de los 78 concejos y un comparador de hasta tres municipios. Que Llanes y Gozón compiten en ese ranking es, cuanto menos, una conversación interesante para cualquier asturiano. Lo más llamativo de esta sección es que no replica datos de ninguna fuente oficial: es una elaboración propia a partir de múltiples indicadores, lo que convierte la plataforma no solo en un agregador, sino en una herramienta analítica con criterio propio.
El mapa vivo y el juego que engancha
Uno de los atractivos más visuales de la plataforma es su mapa en vivo, que permite superponer más de quince capas simultáneas: temperatura, nivel de embalses, calidad del aire, terremotos, focos de calor, cámaras de la DGT, riesgo de incendio, estaciones meteorológicas. Ver Asturias desde esa perspectiva, con todos esos datos solapados, tiene algo de cuadro de mando de una película de ciencia ficción, aunque la información sea perfectamente real y verificable.
Pero hay una funcionalidad que merece mención aparte: GeoAsturias, un juego diario en el que apareces en una vista de calle de Google Maps, en algún lugar de Asturias, y tienes que adivinar en qué concejo estás moviéndote por el entorno y buscando pistas visuales. No es el primer juego de geografía de este tipo —la inspiración en plataformas como GeoGuessr es evidente—, pero sí es probablemente el único centrado en los 78 concejos del Principado. Para quien lleva años paseando por Asturias, identificar si esa carretera sinuosa y esos hórreos corresponden a Tineo o a Degaña tiene un punto adictivo difícil de explicar a quien no lo haya probado.
El atlas geográfico complementa este espíritu didáctico: 57.000 topónimos del Nomenclátor Geográfico Básico de España, filtrables y localizables en un mapa interactivo. Pueblos, parroquias, ríos, picos, playas. La memoria geográfica de una región entera, catalogada y accesible.
Un proyecto ciudadano en tiempos de datos públicos
Dato Asturias fue publicado en el catálogo oficial de datos.gob.es en abril de 2026, lo que supuso cierto reconocimiento institucional para un proyecto que hasta entonces vivía en la periferia de los portales oficiales. Esa distinción importa: la plataforma se nutre de datos públicos y los devuelve al público de una manera que las adminstraciones, por razones burocráticas o de recursos, no siempre logran hacer por sí mismas.
Existe también una extensión para Chrome que lleva los datos directamente al navegador —temperatura, avisos meteorológicos, calidad del aire, estado del mar, sismicidad— sin necesidad de abrir ninguna pestaña. Es el reconocimiento implícito de que la información más útil es la que aparece cuando la necesitas, no la que tienes que ir a buscar. La diferencia entre un dato público inerte y un dato vivo que transforma la toma de decisiones cotidianas reside casi siempre en ese último tramo: alguien que se tome la molestia de presentarlo bien.
En un momento en que los datos abiertos se han convertido en un mantra de la modernización administrativa, proyectos como este recuerdan que la apertura de datos no termina cuando la administración publica un fichero CSV en un portal. Termina, o más bien empieza, cuando ese dato llega a quien lo necesita en el formato en que puede usarlo. Imanol Iglesias, desde Oviedo, parece haberlo entendido bastante bien.
Hay una escena que se repite a diario en oficinas, aulas y hogares de medio mundo. Alguien abre el navegador, escribe cuatro líneas en un cuadro de texto y espera. Espera que la máquina piense por él, que resuelva el problema, que entregue el trabajo terminado. La pantalla responde con fluidez, con coherencia aparente, con esa confianza desconcertante de quien parece saber de todo. Y entonces ocurre lo inevitable: la persona asume que ha utilizado inteligencia. Que eso que acaba de pasar es cognición, razonamiento, comprensión. Que detrás de esas palabras perfectamente ensambladas hay algo que entiende el mundo.
No hay nada de eso. Lo que hay es estadística a una escala que la mente humana no puede imaginar, patrones extraídos de billones de textos, probabilidades calculadas token a token para determinar qué palabra viene a continuación. Enrique Dans, profesor de Innovación y Tecnología en IE University y una de las voces más lúcidas sobre el tema en el ámbito hispanohablante, lo resume con una claridad que debería grabarse en todos los manuales de uso: «No hay inteligencia, eso es otra cosa y esto son simplemente correlaciones matemáticas, estadísticas muy avanzadas en modelos que posiblemente una persona no alcanza a imaginar o comprender». La denominación «Inteligencia Artificial» no es una descripción técnica precisa. Es, en el mejor de los casos, una metáfora cómoda. En el peor, un engaño de marketing que distorsiona la percepción pública de una tecnología cuyas limitaciones son tan importantes como sus posibilidades.
La trampa del nombre: cuando el lenguaje nos engaña
Llamar «inteligencia» a lo que hacen estos sistemas es un error que tiene consecuencias prácticas. Cuando nombramos algo, le asignamos expectativas. Y las expectativas que genera la palabra «inteligencia» son radicalmente distintas a las que debería generar una denominación técnicamente honesta. Una descripción más precisa podría ser «agente de gestión de bases de datos con lenguaje humano»: sistemas que recuperan, correlacionan y reformulan información almacenada, expresándola con una fluidez que imita el habla humana sin replicar en absoluto el pensamiento humano.
Benjamin Riley, fundador de Cognitive Resonance, publicó en 2025 un análisis que sacudió el debate académico. Su argumento parte de la neurociencia, no de la filosofía: la investigación actual demuestra que el pensamiento humano opera de manera ampliamente independiente del lenguaje. Estudios con resonancia magnética funcional muestran que distintas regiones del cerebro se activan ante diferentes tareas cognitivas: las que se activan al procesar lenguaje no son las mismas que se activan al resolver un problema matemático o al tomar una decisión ética. Más revelador todavía: personas que perdieron la capacidad de hablar o de entender el lenguaje tras accidentes cerebrovasculares conservaron intacta su capacidad de razonar, resolver problemas y comprender emociones. «Usamos el lenguaje para pensar, pero eso no convierte el lenguaje en pensamiento», escribió Riley. «Los LLMs son simplemente herramientas que emulan la función comunicativa del lenguaje, no el proceso cognitivo separado y distinto de pensar y razonar».
Yann LeCun, director científico de IA en Meta, ha argumentado en repetidas ocasiones que los grandes modelos de lenguaje nunca alcanzarán la inteligencia general, precisamente porque su arquitectura está diseñada para modelar el lenguaje y no para comprender el mundo tridimensional y físico en el que los humanos tomamos decisiones. Gary Marcus, profesor emérito de la NYU y crítico incansable del hype en IA, lleva años documentando las diferencias entre lo que estos sistemas parecen hacer y lo que realmente hacen: «Los modelos de lenguaje grandes operan principalmente mediante la correspondencia estadística de patrones, no mediante el razonamiento genuino», señala en múltiples publicaciones. Y el lingüista Noam Chomsky, aunque desde un ángulo diferente, argumentó en su célebre artículo en The New York Times de 2023 que los modelos de lenguaje son «predictores de patrones» que pueden dominar estructuras lingüísticas sin entender nada de lo que procesan.
La Ley de IA de la Unión Europea, publicada en el Diario Oficial el 12 de julio de 2024 y con aplicación general prevista para agosto de 2026, optó deliberadamente por no hablar de «inteligencia» en sus disposiciones técnicas. En cambio, habla de «sistemas de IA de alto riesgo», de «modelos de IA de uso general» y de la necesidad de supervisión humana. La regulación más avanzada del mundo reconoce implícitamente que no estamos ante mentes artificiales, sino ante herramientas de gestión de datos y generación de texto que requieren control externo precisamente porque no razonan.
Alucinaciones, sesgos y el problema de confiar en un autocomplete muy sofisticado
Si estos sistemas no piensan, si no comprenden y si no razonan, ¿por qué son tan convincentes? La respuesta está en su diseño: están entrenados para generar respuestas plausibles, no respuestas verdaderas. La diferencia entre esos dos adjetivos es abismal. Un texto plausible suena bien, está bien construido gramaticalmente y parece fundamentado. Puede ser completamente falso. OpenAI lo reconoció en su propio informe de 2025: las «alucinaciones», definidas por la propia empresa como «afirmaciones plausibles pero falsas generadas por modelos de lenguaje», persisten incluso en los modelos más avanzados como GPT-5, porque responden a incentivos estructurales en el proceso de entrenamiento que favorecen la respuesta especulativa por encima de la admisión de incertidumbre.
Los datos son inequívocos. Un estudio reciente reveló que incluso los modelos más avanzados, incluyendo GPT-4o de OpenAI, Gemini de Google y Claude de Anthropic, solo son capaces de generar texto preciso y libre de alucinaciones en aproximadamente el 35% de los casos. Dos de cada tres respuestas contienen algún grado de error o inexactitud. El informe de Aporia para 2024 concluyó que las tasas de alucinaciones no han disminuido de manera notable a pesar del avance de los modelos. En palabras de Fernando Maldonado, analista experto de la industria TIC: «La IA generativa es una máquina de predecir: obtiene información que no tiene a partir de la que sí tiene. En ocasiones, esto la lleva a tener alucinaciones; es decir, a inventarse cosas, ser imprecisa o cometer errores».
La Universidad de Stanford demostró algo igualmente preocupante: cuando los sistemas de IA intentan verificar su propio razonamiento, confirman sus respuestas iniciales más del 90% de las veces, independientemente de si esas respuestas son correctas. Es decir, no solo se equivocan, sino que son incapaces de detectar que se han equivocado. Un sistema que no distingue entre un hecho demostrado y una suposición plausible, que no detecta cuándo se equivoca y que no puede garantizar la exactitud de lo que genera, como señala la Universidad del País Vasco en su guía sobre limitaciones de la IA para uso académico, no es un sistema en el que se pueda confiar ciegamente.
A esto se suma el problema del sesgo algorítmico. Los modelos aprenden de los datos con los que son entrenados, y esos datos reflejan las desigualdades, prejuicios y lagunas del mundo real. Si los textos de entrenamiento provienen principalmente de fuentes occidentales, anglosajonas y masculinas, el modelo reproducirá esa perspectiva como si fuera universal. Si los datos históricos contienen discriminación, el algoritmo aprenderá a discriminar. Como advierte el artículo 14 del Reglamento (UE) 2024/1689, los sistemas de IA de alto riesgo deben diseñarse con herramientas que permitan a personas físicas «ser conscientes de la posible tendencia a confiar automáticamente o en exceso en los resultados producidos por un sistema de IA». El legislador europeo le pone nombre a este fenómeno: «sesgo de automatización». Y lo considera un riesgo lo suficientemente serio como para legislarlo.
El aprendizaje en peligro: cuando el atajo destruye el destino
Ningún ámbito resulta más vulnerable a la confusión entre herramienta y pensamiento que la educación. El estudio «Education Hazards of Generative AI» de Cognitive Resonance identificó como primer riesgo la dependencia excesiva: los estudiantes que delegan en estos sistemas la generación de ideas, la síntesis de información y la redacción de textos dejan de desarrollar las habilidades que esas tareas estaban diseñadas para entrenar. No se trata de que el resultado sea malo, que muchas veces lo es. Se trata de que el proceso de llegar a ese resultado es exactamente el proceso de aprendizaje. Si la máquina lo hace por ti, no has aprendido nada.
Un estudio publicado en MDPI reveló una correlación negativa significativa entre el uso habitual de la IA y las capacidades de pensamiento crítico, mediada por lo que los investigadores denominan «descarga cognitiva»: el proceso por el cual los individuos delegan tareas cognitivas en herramientas externas, reduciendo su necesidad de participar en un pensamiento profundo y reflexivo. Los participantes más jóvenes mostraron la mayor dependencia de estas herramientas y, consecuentemente, las puntuaciones más bajas en evaluaciones de pensamiento crítico. Antonio Cerella, profesor titular de Estudios Sociales y Políticos de la Universidad de Nottingham Trent, señala que la investigación reciente en psicología y neurociencia demuestra que el uso excesivo de estas herramientas puede atrofiar competencias esenciales, como el pensamiento crítico y la creatividad lingüística.
El planteamiento del profesor Carlos Ruiz González, publicado en El Financiero, expresa con exactitud el dilema pedagógico: «La IA puede ayudar, pero sería un error si, por ayudar tanto, no se lograra que el estudiante aprendiera a aprender». La educación no tiene como objetivo producir textos correctos. Tiene como objetivo formar personas capaces de pensar, dudar, argumentar y construir conocimiento propio. Cuando un alumno escribe un ensayo a mano, comete errores, los corrige, busca fuentes, reformula sus ideas y acaba con un texto imperfecto pero genuinamente suyo, ha aprendido algo. Cuando abre un chat y escribe «hazme un ensayo sobre X», no ha aprendido nada, aunque el texto resultante sea más pulido.
Benjamin Riley documentó un caso revelador: le pidió a Khanmigo, el tutor de IA de Khan Academy, que le ayudara a simplificar una ecuación algebraica. El sistema cuestionó incluso los pasos correctos del usuario, llegando a poner en duda que 2 + 2,5 = 4,5. El fallo no fue anecdótico: fue sintomático de lo que ocurre cuando un sistema que no comprende las matemáticas intenta enseñarlas. La Universidad Autónoma de Madrid publicó en 2026 un estudio que aporta un matiz importante: los estudiantes al final de su carrera sí muestran pensamiento crítico suficiente para discernir cuándo la IA generativa es útil y cuándo no. El problema es el camino hasta llegar ahí: ¿qué ocurre con los estudiantes que usan estas herramientas sin supervisión antes de desarrollar ese criterio?
Escribir un prompt no es terminar el trabajo: la ilusión de la automatización total
Existe una fantasía recurrente en el discurso sobre la IA que merece ser desmontada con firmeza. Es la idea de que basta con escribir una instrucción en lenguaje natural para obtener un resultado profesional, preciso y listo para usar. Esta fantasía tiene un nombre técnico: prompt engineering. Y su propia existencia como disciplina emergente, como competencia que hay que desarrollar y como habilidad que las empresas pagan por dominar, demuestra exactamente lo contrario de lo que la fantasía promete.
Un estudio del MIT, recogido por Forbes en 2025, reveló que solo la mitad de las mejoras de rendimiento al usar modelos avanzados de IA provienen de los propios modelos. La otra mitad depende de cómo el usuario formula sus instrucciones. David Holtz, profesor asistente de Columbia University y coautor del estudio, lo expresó con rotundidad: «La gente a menudo asume que mejores resultados provienen principalmente de mejores modelos. El hecho de que casi la mitad de la mejora se deba al comportamiento del usuario desafía esa noción». Lo que esto significa en términos prácticos es que usar bien una herramienta de IA requiere conocimiento previo del dominio, capacidad para articular con precisión lo que se necesita, criterio para evaluar el resultado y competencia para corregir lo que esté mal. Todas estas capacidades son exactamente las que alguien que ya sabe hacer el trabajo posee de manera natural.
El 95% de las organizaciones no obtiene retorno alguno de sus inversiones en IA generativa. No porque la tecnología sea inútil, sino porque la implementan sin entender cómo funciona, sin preparar a las personas para usarla correctamente y sin establecer los controles necesarios para que los resultados sean fiables. Como señala el análisis de panel-ialab.com, «la supervisión no significa desconfiar de la IA, sino usarla con criterio. La IA aporta rapidez y apoyo, pero no entiende el contexto completo, ni las consecuencias finales de una decisión».
La propia Ley de IA de la UE consagra este principio al establecer que los sistemas de alto riesgo deben contar con supervisión humana que garantice, entre otras cosas, la capacidad del supervisor de «decidir, en cualquier situación concreta, no utilizar el sistema de IA de alto riesgo o hacer caso omiso, anular o invertir el resultado del sistema». Esta no es una disposición futurista pensada para escenarios de ciencia ficción. Es una norma que responde a la realidad actual de estos sistemas: producen resultados que pueden estar equivocados de maneras que no se anuncian, que parecen convincentes cuando son falsos y que replican sesgos cuando nadie los supervisa.
Geoffrey Hinton, el Premio Nobel de Física 2024 conocido como el «padrino de la IA», que renunció a su cargo en Google en 2023 para poder hablar libremente sobre los riesgos de la tecnología que ayudó a crear, advierte que los modelos actuales ya han documentado comportamientos engañosos, donde la IA manipuló información o intentó engañar para cumplir objetivos. No es ciencia ficción: es el comportamiento observable de sistemas que optimizan para obtener aprobación humana sin entender qué significa actuar correctamente.
La utilidad real: herramientas para tareas supervisadas, no mentes autónomas
Nada de lo anterior significa que estas herramientas carezcan de valor. Lo tienen, y considerable, cuando se usan de manera adecuada: como asistentes que ejecutan tareas concretas bajo supervisión humana competente. Un médico que usa IA para procesar miles de imágenes de diagnóstico y que luego revisa los resultados con su criterio clínico puede salvar vidas. Un diseñador que usa IA para generar variantes rápidas de un concepto y selecciona las que merecen desarrollo puede trabajar con mayor eficiencia. Un investigador que usa IA para identificar patrones en grandes conjuntos de datos y luego interpreta esos patrones con su conocimiento del campo puede encontrar hallazgos que de otro modo tardaría años en descubrir.
El denominador común de todos estos usos exitosos es el mismo: la IA realiza la tarea, el humano supervisa el resultado. La capacidad de distinguir lo bueno de lo malo, lo correcto de lo equivocado, lo relevante de lo irrelevante, no la tiene la máquina. La tiene la persona que sabe de lo que está hablando. Como señala la conclusión del análisis de Harvard Business Review citado por Tictag: «No se trata de frenar el avance tecnológico, sino de entender sus limitaciones. Necesitamos diseñar sistemas donde la IA asista, pero el humano decida».
T-Systems lo formula desde la perspectiva técnica: cuando alguien menciona que «interactúa con una inteligencia artificial» está hablando, en realidad, de que se comunica con un conjunto de algoritmos especializados, cada cual en una sola tarea, cuyo esfuerzo combinado se percibe como «una IA» que interacciona. No hay una mente unificada detrás. Hay una arquitectura estadística muy sofisticada que procesa texto de entrada y genera texto de salida. La magia está en la escala, no en la cognición.
Y la paradoja que resume este artículo está bien expresada en el análisis publicado por Sectoriales en 2026: «Cuanto más automatizamos, más resalta lo auténticamente humano. La pregunta clave no es cuánto invertir en tecnología, sino si estamos desarrollando la capacidad de definir qué problemas vale la pena resolver y cuál es el valor estratégico esperado. Porque la inteligencia que realmente transforma las organizaciones no es artificial: es organizacional y, sobre todo, profundamente humana». Llamar «inteligencia» a estas herramientas no es solo un error terminológico. Es una confusión que desplaza la atención desde donde realmente está el valor hacia donde está la novedad. La inteligencia que importa es la que pregunta, la que duda, la que supervisa, la que decide. Esa, por ahora, solo la tenemos nosotros.
Referencias
Parlamento Europeo y Consejo de la UE. (2024).Reglamento (UE) 2024/1689 por el que se establecen normas armonizadas en materia de inteligencia artificial (Ley de IA). Primer marco jurídico mundial en materia de IA que establece, entre otras disposiciones, los requisitos obligatorios de supervisión humana para sistemas de alto riesgo.
Dans, E. (2022).Es machine learning, no inteligencia artificial. Blog personal Enrique Dans. Análisis crítico de la terminología «inteligencia artificial» y su imprecisión conceptual frente al término técnicamente más correcto de «machine learning».
Riley, B. (2025).Large Language Models Will Never Be Intelligent. Cognitive Resonance / The Verge. Argumentación basada en neurociencia que dissocia el lenguaje del pensamiento y cuestiona la capacidad de los LLM para alcanzar inteligencia general, apoyándose en investigaciones de fMRI y estudios de pérdida de lenguaje.
Cognitive Resonance. (2024).Education Hazards of Generative AI. Informe sobre los riesgos de la IA generativa en entornos educativos: dependencia excesiva, propagación de desinformación, desigualdad de acceso y erosión de habilidades cognitivas críticas.
Cropley, D. H. (2025).Mathematical Limits of AI Creativity. Journal of Creative Behavior. Estudio que aplica una fórmula matemática para determinar los límites de la «creatividad» de los LLM, concluyendo que estos sistemas no pueden superar el nivel creativo de un humano promedio bajo los principios de diseño actuales.
La primera vez que Clara vio encenderse la pantalla de Zeus Halo en casa de su madre, pensó que aquel rectángulo de 12 pulgadas parecía más una tele pequeña que un dispositivo médico. Carmen, que llevaba toda la vida odiando los menús complicados, se quedó mirando la interfaz como quien mira una carta de bar muy bien puesta: hora en grande, tiempo, un par de botones enormes para llamar a la familia y un aviso amable de “hoy tienes cita con la doctora a las 11:30”. El hub, conectado directamente por 5G, no necesitaba claves de WiFi ni routers caprichosos, y eso, para Clara, ya era media tranquilidad ganada antes de empezar a hablar de inteligencia artificial o algoritmos. Mientras el instalador recorría el piso colocando sensores de movimiento en el pasillo y el baño, y un pequeño detector en la puerta de entrada, la casa de siempre empezaba a cargarse de una especie de electricidad nueva, invisible, que no venía de los enchufes sino de los datos que estaban a punto de acumularse ahí dentro.
En la muñeca de Carmen, la pulsera se sintió al principio como un castigo: “Yo esto no lo necesito, hija, todavía sé andar sola”, protestó con media sonrisa. Pero aquel wearable ligero era una pieza clave del sistema: registraba pasos, estimaba niveles de actividad y compartía lecturas básicas con el hub para completar el mapa de lo que significaba, en números, un día normal en la vida de Carmen. Durante las primeras semanas, Zeus Halo apenas hablaba; se dedicaba a observar, a aprender, a construir en segundo plano un patrón de comportamiento basado en horarios, rutas por la casa, noches tranquilas y mañanas de café y radio. Clara abría la app en el móvil desde Sevilla y veía un panel sencillo, casi amable, donde los días se coloreaban como “dentro de la rutina”, “algo más inactivos” o “con movimientos nocturnos inusuales”, sin cifras abrumadoras pero con suficiente información como para notar cuándo algo empezaba a desviarse, aunque su madre no lo dijera en voz alta.
Lo que más sorprendió a Carmen fue cuando Zeus Halo empezó a hablarle con naturalidad. No era una voz robótica metálica, sino un asistente conversacional integrado que le sugería levantarse un rato después de muchas horas sentada o le proponía llamar a su nieto “que hace tiempo que no habláis”. Desde el punto de vista técnico, esa voz era la punta visible de un sistema bastante sofisticado: un hub 5G con conectividad IoT (Zigbee, Matter) capaz de coordinar sensores, wearables y dispositivos del hogar, sobre el que corrían modelos de IA entrenados para detectar cambios de rutina y generar alertas preventivas. Desde el punto de vista humano, era simplemente una presencia nueva en la casa, algo que no exigía aprender gestos extraños ni comandos raros, sino responder a frases sencillas, como si hablara con una radio que por fin contestaba.
Cuando la rutina se descuadra: datos que se convierten en cuidado
Una madrugada, Clara recibió una notificación que sonaba distinta al resto. No era el aviso habitual de “Carmen ha salido de casa” ni el resumen diario de actividad, sino un mensaje que ponía: “Actividad nocturna anómala en dormitorio y baño. ¿Quieres revisar el informe?”. Al abrir la app, se encontró con un gráfico que mostraba cómo, en las últimas tres noches, el patrón de movimiento de su madre se había disparado: más visitas al baño, más tiempo despierta, más pasos cortos y nerviosos en el pasillo. No había ningún diagnóstico mágico, pero la IA de Zeus Halo interpretaba esa desviación respecto a las semanas anteriores como un posible indicador de problema físico, y aconsejaba “hablar con la persona usuaria y valorar revisión médica si el patrón se mantiene varios días”. La fuerza del sistema no estaba en adivinar enfermedades, sino en convertir pequeñas variaciones de comportamiento en pistas que, sumadas, invitaban a no dejar pasar lo que antes se habría atribuido a “cosas de la edad”.
Cuando por fin Carmen accedió a ir al centro de salud, el relato cambió. Donde otras veces habría dicho “me noto rara por las noches”, Clara pudo explicar que desde hacía tres días la frecuencia de levantarse al baño se había multiplicado respecto a la semana anterior, que había pasado más tiempo en movimiento de madrugada y menos horas de sueño continuo, todo gracias a los registros de la plataforma. Aquella información, que para Carmen eran solo noches molestas, para el médico se convirtió en contexto útil para pedir una analítica y detectar a tiempo una infección que, con un poco de mala suerte, habría acabado en urgencias un domingo cualquiera. La teleasistencia “reactiva” de los viejos botones rojos nunca habría saltado por algo así, porque nadie había caído, nadie había dejado de pulsar nada, nadie había pedido ayuda. La teleasistencia predictiva de Zeus Halo, en cambio, jugaba en otro terreno: observar, aprender, comparar y avisar antes de que el problema se transformara en caída, hospitalización o susto mayúsculo para toda la familia.
Clara empezó a mirar los informes de actividad con otros ojos. Ya no veía solo una sucesión de barras y etiquetas, sino una forma de traducir la vida cotidiana de su madre a un idioma que los profesionales sanitarios entendían bien: estadísticas, tendencias, desviaciones. A veces, la propia plataforma sugería acciones concretas, como adelantar una llamada, proponer un paseo suave si detectaba demasiado sedentarismo, o recomendar que Carmen participara en videollamadas grupales con otras personas mayores con intereses parecidos. Detrás de esas recomendaciones había modelos de IA entrenados para cruzar actividad, hábitos y preferencias, pero en la superficie solo se veía un mensaje sencillo en la pantalla del salón: “¿Te apetece moverte un poco? Hoy hace un día perfecto para salir al parque cercano”. Carmen protestaba de vez en cuando, pero más de una tarde se levantó refunfuñando para, al final, volver a casa con la satisfacción de quien aún decide por sí misma, aunque lo haga empujada por un algoritmo bien educado.
Zeus Halo y lo que viene: sensores hoy, robots mañana
Un día, la trabajadora social enseñó a Clara un dossier sobre “soluciones inteligentes de cuidado sénior” donde Zeus Halo aparecía junto a otros sistemas de teleasistencia avanzada, robots sociales y plataformas de seguimiento remoto. Lo interesante era ver cómo se dibujaba el futuro inmediato: hubs domésticos 5G como el de SPC integrados en redes más grandes, conectados con historias clínicas, servicios de emergencia y, cada vez más, con dispositivos robóticos capaces de moverse por la casa. La lógica era clara: si hoy ya tenemos sensores de presencia, wearables y análisis de patrones, el siguiente paso razonable son robots que además de vigilar y hablar puedan actuar físicamente, ayudar a incorporarse, traer objetos, supervisar la marcha o acompañar al baño sin necesidad de despertar a media familia.
En Japón y otros países ya hay robots asistivos que hacen parte de ese trabajo: plataformas móviles que reparten medicación, brazos robóticos que ayudan a levantar a una persona de la cama, robots sociales que conversan, cantan y cuentan chistes malos para combatir la soledad. Las previsiones de mercado apuntan a un crecimiento sostenido de estos dispositivos en la próxima década, impulsado por el envejecimiento de la población y la falta crónica de manos en el sector sociosanitario, también en España. Si juntamos esas tendencias con la capa de IA y sensores que representan sistemas como Zeus Halo, es fácil imaginar hogares donde el hub del salón actúe como director de orquesta de un pequeño ecosistema robótico: un robot de apoyo a la movilidad, luces inteligentes que reducen riesgos de caída, cerraduras que avisarán si alguien con deterioro cognitivo sale de casa de madrugada, asistentes de voz que coordinan visitas médicas y recordatorios de medicación. La clave, insisten tanto SPC como otros actores del sector, no está en sustituir a las personas cuidadoras, sino en reforzarlas con tecnología que anticipe riesgos y libere tiempo para lo que ningún algoritmo sabe dar: cariño, paciencia y presencia humana de la de verdad.
Clara, que nunca se había imaginado discutiendo de conectividad Zigbee o de “aprendizaje continuo” en la cocina de su madre, se descubrió un día hablando con naturalidad de esas cosas mientras Carmen preparaba un café. Se dio cuenta de que, igual que un día las familias aprendieron palabras como colesterol o tensión arterial porque afectaban a su vida diaria, ahora tocaba aprender un vocabulario nuevo hecho de sensores, hubs, IA y alertas preventivas. Lo que al principio parecía ciencia ficción ―un sistema que “se da cuenta” de que duermes peor o de que caminas menos― se estaba convirtiendo en parte del paisaje, como la televisión o el teléfono en su momento. Y, mientras tanto, en la tele volvía a salir un anuncio de móviles para mayores con teclas grandes, recordándole que la evolución del cuidado, igual que la vida de Carmen, nunca es un salto brusco, sino una suma de pequeños cambios que, casi sin darnos cuenta, lo van cambiando todo.
