¿Autopilots?

 Microsoft creó Autopilots, son ayudantes digitales que trabajan dentro de Copilot y te apoyan con tareas repetitivas en correo y chats.

Estos ayudantes tienen nombre y recuerdan contexto, sirven para tareas claras, como revisar mensajes o preparar resúmenes.

Un ejemplo es Scout, un ayudante que revisa tu correo y tus conversaciones en Teams, te muestra lo importante primero y te sugiere respuestas.
Todo funciona dentro de Microsoft 365, por ejemplo Word, Excel, PowerPoint, Outlook y Teams, siguiendo las reglas de seguridad de tu organización.
Uso sencillo para educación

DraftedAI genera planos completos

 

Best of Luck to All Future Teachers by Magister

 Wishing you all the very best in your teaching exams. Trust your preparation, stay calm, and believe in everything you have worked for. This is one more step toward becoming the inspiring teachers your future students deserve.

https://mito.ai/

NotebookLM + Claude: Una organiza. La otra razona

 Así funciona el sistema en 8 pasos:

1️⃣ Mete tus fuentes en NotebookLM
PDFs, artículos, transcripciones. Lo que tengas. NotebookLM los digiere y extrae lo esencial.

2️⃣ Pásale ese contexto a Claude
No le preguntes lo mismo que a NotebookLM. Pídele que piense contigo.

3️⃣ Pídele los insights reales
El insight clave, las contradicciones entre fuentes y el punto ciego que te falta investigar.

4️⃣ Construye una tesis defendible
El argumento central, los puntos a favor, los puntos en contra y el nivel de confianza en tu conclusión.

5️⃣ Extrae el modelo mental de cada fuente
No los hechos. El framework oculto que el autor nunca nombra explícitamente.

6️⃣ Convierte reuniones en decisiones reales
No en resúmenes. En las 3 decisiones tomadas, los compromisos implícitos y las tensiones sin resolver.

7️⃣ Detecta sesgos en cualquier fuente
El sesgo del autor, la afirmación más débil y las omisiones convenientes que distorsionan el argumento.

8️⃣ Haz una auditoría semanal de conocimiento
Lo que aprendiste. Lo que consumiste sin procesar. Lo que sabes pero no estás aplicando.

Deuda / delegación cognitva con ChatGPT

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872. DOI: 10.48550/arXiv.2506.08872.

Matiz importante: no parece ser un artículo publicado originalmente en una revista científica revisada por pares, sino un preprint en arXiv. La propia página del proyecto indica que, cuando se subió en junio de 2025, no había sido revisado por pares y que las conclusiones debían tratarse como preliminares.

Sí existe un texto publicado en revista científica que comenta ese estudio:

Armitage, R. (2025). Your brain on ChatGPT. British Journal of General Practice, 75(758), 410.
DOI: 10.3399/bjgp25X743181

Pero ese artículo de Richard Armitage es una pieza/comentario breve en British Journal of General Practice que cita el preprint de Kosmyna et al.; no es el estudio experimental original del MIT. En PubMed aparece explícitamente como referencia el trabajo de Kosmyna et al. en arXiv.

👉 ¿Cómo crees deberían estar respondiendo las universidades a esta tendencia?

 Este gráfico de The Economist debería estar en la oficina de cada rector.

Muestra el cambio en empleo de graduados universitarios entre 2022 y 2024.

La tendencia es clara: a mayor exposición a la IA, mayor caída en empleo.

Ciencias de la información: -15%
Ciencias de la computación: -10%
Finanzas: -5%
Ingeniería eléctrica: -8%

Mientras tanto, filosofía y psicología se mantienen estables.

Condensar años de publicaciones sobre estadística, análisis de datos y ciencia de datos en una sola guía

 He observado que muchos errores en análisis de datos no se deben a algoritmos complejos ni a falta de comprensión del software estadístico, sino por algo mucho más básico:

❌ Formular mal la pregunta de investigación.
❌ Confiar ciegamente en el R².
❌ Ignorar la calidad de los datos.
❌ Interpretar mal un resultado significativo (y uno no significativo).
❌ Utilizar modelos sin comprender sus supuestos.
❌ Realizar múltiples pruebas sin controlar los falsos positivos.
❌ Confundir capacidad predictiva con capacidad explicativa.

Por eso he recopilado algunos de los contenidos que considero útiles para cualquier persona que trabaje con datos, ya sea en investigación, análisis de negocio, ciencia de datos o IA. Conceptos básicos: