“AI by extension” is a simple strategy: widen the reach of existing technology by connecting it to real processes and putting it in the hands of more people. It is not a new product category, but a way to keep experimentation from becoming isolated from day-to-day operations.
First, look for repetitive tasks, difficult searches, manual classification or answers that depend on finding scattered information. Then choose a focused intervention: summarising internal documents, finding approved knowledge or helping prepare a first draft.
The question is not “where can we put AI?” but “which friction is worth reducing, and how will we know we have succeeded?” Time saved, errors avoided and team satisfaction are more useful signals than the number of demos.
A successful trial does not automatically become a reliable solution. Define who validates outputs, what data can be used, how it is protected and what happens when the tool gets something wrong. Train people and redesign the process instead of adding an interface to a workflow that no longer works.
Governance is not a barrier to scale; it is what makes scaling possible without multiplying the same risks. Sensitive use cases need safeguards and oversight that match their consequences.
Scaling technology does not mean giving up on innovation. It means creating the conditions for innovation to deliver value: learn from small use cases, share what works and expand gradually with clear metrics and boundaries.
The advantage may not be getting access to the next model before anyone else. It may be knowing how to integrate today’s capabilities into everyday work with judgement, safety and purpose.
]]>Between the two lies less visible, more decisive work: preparing information, setting boundaries, measuring quality and designing how people will step in.
If information is out of date, duplicated or poorly organised, a model will not magically fix it. A reliable project identifies authoritative sources, decides who maintains them and establishes what content must remain out of scope.
For systems that answer questions using an organisation’s own documentation, evaluation should check more than whether a response sounds plausible. Is it supported by the right sources? Does it acknowledge when it does not know? Does it avoid exposing data the user is not entitled to see?
Before deployment, build a representative set of questions and agree on evaluation criteria: accuracy, usefulness, citations, response time and escalation rate. Then test the system with real cases, including awkward and exceptional ones.
Human oversight should not be a generic checkbox. Decide which choices need approval, how errors are reported and who has the authority to pause or change the service.
Launch is not the finish line. Data, team needs and model behaviour change. A production solution therefore needs owners, monitoring, a feedback channel and an update process.
AI moves from experiment to everyday tool when people can use it without being asked to trust it blindly. The “intelligence” matters; so do the operations, evaluation and people who take responsibility for its results.
]]>La Blade utiliza química de litio-ferrofosfato (LFP), una alternativa a las baterías con níquel y cobalto. La LFP suele asociarse a una buena vida útil y a una composición que evita esos metales, aunque su densidad energética puede ser menor según el diseño y la comparación concreta.
BYD ha destacado pruebas de seguridad y resistencia térmica de su batería. Es importante leer esas afirmaciones en su contexto: el comportamiento depende de la celda, el paquete, la gestión térmica y el vehículo completo. Ninguna química vuelve innecesarios el diseño cuidadoso ni las protecciones del sistema.
Las celdas alargadas que dan nombre a Blade permiten una disposición distinta dentro del paquete. En algunos vehículos, la integración estructural puede aprovechar mejor el espacio y simplificar componentes. Eso puede repercutir en el diseño del habitáculo, el peso y el coste, aunque los resultados dependen de cada modelo y configuración.
La innovación, por tanto, no es solo «más energía en menos espacio». También es decidir cómo se conectan las celdas, cómo se refrigera el conjunto y cómo se incorpora al chasis sin perder facilidad de fabricación y reparación.
La movilidad eléctrica no avanzará gracias a una batería aislada, sino a un sistema: vehículos adecuados a distintos usos, carga accesible, suministro responsable de materiales, reciclaje y transparencia sobre prestaciones reales.
Blade merece atención porque muestra que optimizar una tecnología existente puede ser tan transformador como inventar una química nueva. Su impacto final se mide en vehículos seguros, duraderos y competitivos que más personas puedan elegir, no solo en titulares o pruebas de laboratorio.
]]>Blade uses lithium iron phosphate (LFP) chemistry, an alternative to batteries containing nickel and cobalt. LFP is often associated with good cycle life and a composition that avoids those metals, although its energy density can be lower depending on the design and the comparison being made.
BYD has highlighted safety and thermal-resistance tests for its battery. Those claims should be read in context: performance depends on the cell, pack, thermal management and complete vehicle. No chemistry makes careful design and system-level protections unnecessary.
The elongated cells that give Blade its name allow a different arrangement within the pack. In some vehicles, structural integration can make better use of space and simplify components. That may affect cabin design, weight and cost, although the results depend on each model and configuration.
Innovation, then, is not just “more energy in less space”. It is also about how cells connect, how the pack is cooled and how it is incorporated into the chassis without compromising manufacturability or repairability.
Electric mobility will not advance through a battery in isolation, but through a system: vehicles suited to different needs, accessible charging, responsible material supply, recycling and transparency about real-world performance.
Blade deserves attention because it shows that optimising an existing technology can be as transformative as inventing a new chemistry. Its ultimate impact will be measured in safe, durable and competitive vehicles that more people can choose—not just in headlines or laboratory tests.
]]>Edge computing distributes some processing to devices, facilities or local centres close to the source of the data. It does not mean abandoning the cloud; it means assigning each task to the most suitable place.
An industrial camera can detect an anomaly without sending every frame to a remote server. A vehicle can respond to its surroundings without relying on a constant connection. A shop can keep essential services running even if its cloud link goes down.
Latency is only part of the equation. Local processing can also reduce the volume of data being transmitted, help maintain operational continuity and allow sensitive information to remain where it is generated. These are valuable advantages in factories, hospitals, energy networks, shops and cities.
But the edge does not remove challenges: it multiplies the devices that need to be updated, secured and monitored. A sound strategy needs an inventory, remote management, access controls and a clear policy for what data is kept and where.
The leap is not about installing more devices; it is about designing a hybrid architecture. Tasks that need an immediate response can run locally, while aggregated analysis, training and coordination can continue to benefit from the cloud.
The useful question is no longer “cloud or edge?” but “where should each decision happen?” When that answer is designed with purpose, edge computing stops being an infrastructure trend and becomes a foundation for digital services that are faster, more adaptable and closer to the real world.
]]>El edge computing —o computación en el borde— distribuye parte del procesamiento hacia los dispositivos, las instalaciones o los centros locales próximos a la fuente de los datos. No significa abandonar la nube, sino asignar cada tarea al lugar más adecuado.
Una cámara industrial puede detectar una anomalía sin enviar cada fotograma a un servidor remoto. Un vehículo puede reaccionar a su entorno sin depender de una conexión constante. Una tienda puede mantener servicios básicos aunque su enlace con la nube se interrumpa.
La latencia es solo una parte de la ecuación. Procesar localmente también puede reducir el volumen de datos que se transmite, ayudar a mantener la continuidad operativa y permitir que información sensible permanezca en el entorno donde se genera. Son ventajas relevantes en fábricas, hospitales, redes energéticas, comercios y ciudades.
Pero el borde no elimina los retos: multiplica los equipos que hay que actualizar, proteger y observar. Una estrategia sólida necesita inventario, gestión remota, controles de acceso y una política clara sobre qué datos se conservan y dónde.
El salto no consiste en instalar más dispositivos, sino en diseñar una arquitectura híbrida. Las tareas que requieren respuesta inmediata pueden ejecutarse localmente; el análisis agregado, el entrenamiento y la coordinación pueden seguir aprovechando la nube.
La pregunta útil ya no es «¿nube o borde?», sino «¿dónde debe ocurrir cada decisión?». Cuando esa respuesta se diseña con propósito, el edge computing deja de ser una moda de infraestructura y se convierte en una base para servicios digitales más rápidos, adaptables y cercanos al mundo real.
]]>Entre ambas cosas hay un trabajo menos vistoso y más decisivo: preparar la información, establecer límites, medir calidad y diseñar cómo intervendrán las personas.
Si la información está desactualizada, duplicada o mal organizada, el modelo no corrige esos problemas por arte de magia. Un proyecto fiable identifica fuentes autorizadas, define quién las mantiene y establece qué contenido debe quedar fuera.
En sistemas que responden usando documentación propia, hay que evaluar no solo si la respuesta suena bien, sino si está respaldada por las fuentes correctas, si reconoce que no sabe y si evita exponer datos que no corresponden al usuario.
Antes de desplegar, conviene construir un conjunto de preguntas representativas y acordar criterios de evaluación: exactitud, utilidad, referencias, tiempo de respuesta y tasa de derivación a una persona. Después, se revisa el sistema con casos reales, incluidos los incómodos y los excepcionales.
La supervisión humana no debería ser una casilla genérica. Hay que decidir qué decisiones requieren aprobación, cómo se informa de un error y quién tiene autoridad para detener o modificar el servicio.
El lanzamiento no es la meta. Cambian los datos, las necesidades del equipo y el comportamiento de los modelos. Por eso, una solución en producción necesita responsables, seguimiento, un canal de comentarios y un proceso de actualización.
La IA pasa de experimento a herramienta cuando cabe en el trabajo diario sin exigir confianza ciega. La parte «inteligente» importa; también importan la operación, la evaluación y las personas que se hacen cargo de sus resultados.
]]>Llamemos «IA por extensión» a una estrategia sencilla: ampliar el alcance de la tecnología que ya existe, conectándola con procesos reales y poniéndola en manos de más personas. No es una nueva categoría de producto, sino una forma de evitar que la experimentación viva aislada de la operación.
El primer paso es observar dónde se acumulan tareas repetitivas, búsquedas difíciles, clasificación manual o respuestas que dependen de encontrar información dispersa. Después se elige una intervención acotada: resumir documentos internos, localizar conocimiento aprobado o asistir en la preparación de una primera versión.
La pregunta no es «¿dónde podemos poner IA?», sino «¿qué fricción merece la pena reducir y cómo comprobaremos que lo hemos logrado?». Tiempo ahorrado, errores evitados y satisfacción del equipo son señales más útiles que el número de demostraciones.
Una prueba que funciona no se convierte automáticamente en una solución fiable. Hay que definir quién valida los resultados, qué datos pueden utilizarse, cómo se protegen y qué sucede cuando la herramienta se equivoca. También conviene formar a las personas y rediseñar el proceso, en lugar de añadir una interfaz a una rutina que ya no funciona.
La gobernanza no es una barrera para escalar: es lo que permite hacerlo sin multiplicar los mismos riesgos. Los casos de uso sensibles necesitan controles y supervisión acordes con sus consecuencias.
Escalar tecnología no significa renunciar a la innovación. Significa crear las condiciones para que la innovación produzca valor: aprender con casos pequeños, compartir lo que funciona y ampliar gradualmente con métricas y límites claros.
La ventaja quizá no sea tener acceso antes que nadie al próximo modelo. Puede ser saber integrar las capacidades actuales en el trabajo cotidiano, con criterio, seguridad y propósito.
]]>Solemos publicar resultados: el proyecto terminado, el argumento pulido, la conclusión segura. Pero el proceso suele ser donde ocurre el pensamiento más útil.
Escribir mientras avanzamos crea un registro de cómo cambia una idea. Invita a otras personas a participar antes de que cada decisión quede fijada.
Aprender en público no significa compartirlo todo. Significa hacer visible parte del proceso: las preguntas que exploras, las fuentes que te cuestionan, los experimentos que fallan y los aprendizajes que perduran.
El objetivo no es parecer seguro, sino pensar mejor.
Un archivo de preguntas puede ser más útil que un catálogo de respuestas.
Este anuario reunirá esas notas junto con proyectos, recomendaciones de lectura y ensayos. Esta es la primera página, no un manifiesto.
]]>We tend to publish outcomes: the finished project, the polished argument, the confident conclusion. But the process is often where the most useful thinking happens.
Writing along the way creates a record of how an idea changes. It invites other people into the work before every decision has hardened into place.
Learning in public does not mean sharing everything. It means choosing to make some of your process visible: the questions you are exploring, the sources that challenge you, the experiments that fail and the lessons that survive.
The aim is not to appear certain. It is to become more thoughtful.
An archive of questions can be more useful than a catalogue of answers.
This journal will be a place to collect those notes — alongside projects, reading recommendations and longer essays. Consider this the first page, not the manifesto.
]]>