Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Volumen 32 | Abril 2025

Radar Tecnológico

Una guía de opinión sobre el entorno tecnológico actual

El Radar Tecnológico de Thoughtworks es una publicación semestral que ofrece una visión sobre herramientas, técnicas, plataformas, lenguajes y frameworks. Esta herramienta de intercambio de conocimiento se basa en la experiencia de nuestros equipos globales y destaca elementos que podrías querer explorar en tus proyectos.

  • Adoptar Probar Evaluar Resistir Adoptar Probar Evaluar Resistir
  • Adoptar Probar Evaluar Resistir Adoptar Probar Evaluar Resistir
  • Adoptar Probar Evaluar Resistir Adoptar Probar Evaluar Resistir
  • Adoptar Probar Evaluar Resistir Adoptar Probar Evaluar Resistir
  • Nuevo
  • Modificado
  • Ningún cambio
No hay blips

Cada insight que compartimos está representada por un blip. Algunos blips son nuevos en este volumen del Radar, otros cambian de anillo cuando nuestra recomendación se actualiza.

 

Los anillos son:

  • Adoptar: Blips que creemos deberías considerar seriamente utilizar.
  • Probar: Elementos que creemos que ya están listos para usarse, pero que aún no están tan consolidados como los del anillo Adoptar.
  • Evaluar: Elementos que vale la pena observar de cerca, pero que quizá aún no sea momento de probar, a menos que encajen particularmente bien contigo.
  • Resistir: Avanza con precaución.

 

Explora la versión interactiva por cuadrante o descarga el PDF para leer el Radar completo. Si quieres saber más sobre cómo se construye y cómo usarlo, revisa las Preguntas Frecuentes (FAQ).

Descarga el PDF

 

 

 

English | Español | Português | 中文

Suscríbete al boletín del Radar Tecnológico

 

 

 

 

Suscríbete ahora

Temas para este volumen

 

En cada edición del Radar Tecnológico, buscamos patrones que emergen en los blips que discutimos. Esos patrones se convierten en la base de nuestros temas.

 

Agentes supervisados en asistentes de códigos

Dos de nuestros temas destacan la rápida innovación en IA Generativa (GenIA) y uno de ellos trata sobre la aceleración de las capacidades de los asistentes de código. Cada vez son más las herramientas que permiten a developers generar código directamente desde un chat de IA dentro de su IDE; también llamado “orientado a agente”, “prompt-to-code” o “programación orientada por chat (CHOP por sus siglas en inglés)”. Con este enfoque, los asistentes de IA van más allá de responder preguntas o generar pequeños fragmentos de código (snippets); también navegan, modifican código, actualizan pruebas, ejecutan comandos y, en algunos casos, corrigen proactivamente errores de formato y compilación. Aunque seguimos siendo escépticos respecto a los agentes de codificación que prometen un desarrollo totalmente autónomo de grandes tareas, hemos visto resultados prometedores con este enfoque supervisado, en el que developers siguen guiando y supervisando las acciones del agente. CursorCline y Windsurf lideran esta tendencia en el ámbito de las herramientas integradas en IDE, y GitHub Copilot también está avanzando. Asistentes ”orientados a agente” tales como aidergoose y Claude Code son alternativas para usar en terminales. A pesar de estos avances, seguimos siendo cautelosos sobre cómo esto aumenta la complacencia con código generado por IA, ya que a pesar de algunos resultados muy buenos, todavía vemos mucha necesidad de dirección y vigilancia en las revisiones de código. Un gran poder conlleva…

Evoluciones en la observabilidad

Se han visto movimientos significativos en el ámbito de la observabilidad, impulsados por la creciente complejidad de las arquitecturas distribuidas. Si bien la observabilidad siempre ha sido esencial, ésta ha seguido evolucionando junto con el resto del ecosistema de desarrollo de software. Uno de estos focos emergentes es la observabilidad de los grandes modelos de lenguaje (LLM, por sus siglas en inglés), pieza clave para la operacionalización de la IA. Hemos visto un aumento en las herramientas para monitorizar y evaluar el rendimiento de los LLM, incluyendo Weights & Biases WeaveArize PhoenixHelicone y HumanLoop. Otra tendencia es la integración de la observabilidad asistida por IA, en el que las herramientas aprovechan la inteligencia artificial para mejorar el análisis y la obtención de información. Además, la creciente adopción de OpenTelemetry está fomentando un panorama de observabilidad más estandarizado, permitiendo a los equipos mantenerse independientes de proveedores y ser más flexibles en la elección de sus herramientas.

Muchas de las principales herramientas de observabilidad; como AlloyTempo o Loki, ya son compatibles con OpenTelemetry. La súbita innovación en las herramientas de observabilidad demuestra una creciente concienciación de la industria sobre su importancia, creando un ciclo de retroalimentación en el que las prácticas y tecnologías en evolución se refuerzan mutuamente.

R de RAG

Esperamos que distintos aspectos del ecosistema de IA generativa evolucionen a ritmos variables, y en esta edición del Radar, vemos que esto ocurre con la R de RAG (retrieval-augmented generation, o generación aumentada por recuperación). Una de las interacciones clave con la caja negra del LLM es personalizar las entradas de los prompts para generar respuestas útiles y relevantes. La creciente necesidad de una recuperación efectiva en RAG ha llevado a la aparición de nuevas herramientas y técnicas presentadas en esta edición. Por ejemplo, discutimos RAG correctivo, el cual ajusta las respuestas de forma dinámica basándose en la retroalimentación o la heurística; Fusion-RAG, el cual combina varias fuentes y estrategias de recuperación para tener respuestas más exhaustivas y robustas; y Self-RAG, el cual evita por completo el paso de recuperación, obteniendo data bajo demanda. También resaltamos FastGraphRAG, el cual facilita la comprensión al crear grafos navegables por humanos. En base a las discusiones y nominaciones de nuestro equipo, la R de RAG es un tema candente y en rápida evolución.

Domando la frontera de los datos

Big data ha sido una preocupación para la industria durante mucho tiempo, pero las conversaciones en torno a esta edición del Radar se centraron no tanto en el tamaño, sino más específicamente en el manejo de datos ricos y complejos. Con la creciente presencia, e importancia, de los datos no estructurados en la empresa, garantizar que los datos se gestionen y empaqueten de manera efectiva para que puedan aprovecharse con éxito para todo, desde aplicaciones de IA hasta análisis de clientes, es hoy vital para las empresas.

Esto se refleja en varios blips: desde herramientas de bases de datos vectoriales hasta productos de análisis como Metabase, es sorprendente cuánto del ecosistema de software está siendo impulsado por lo que queremos y necesitamos hacer con los datos. Sin embargo, no se trata solo de herramientas, en esta edición señalamos el pensamiento de productos de datos, un marco de trabajo que alienta a los equipos a aplicar los principios del pensamiento de producto (product thinking) a las partes analíticas de su ecosistema. La aparición del pensamiento de producto de datos es, en cierta medida, el resultado del desafío continuo de aprovechar adecuadamente los datos (algo de lo que se ha hablado durante años, mucho antes del auge de la IA), el hecho de que haya encontrado su camino hacia el centro de atención (y nuestras conversaciones de Radar) demuestra que la necesidad de disciplina con el manejo de datos sigue siendo tan grande como siempre. Sin ella, las organizaciones pueden tener dificultades para innovar y bien podrían estar en desventaja comercial a medio y largo plazo.

 

Contribuyentes

 

El Radar Tecnológico está preparado por la Junta Asesora de Tecnología de Thoughtworks, compuesta por:

 

Rachel Laycock (CTO) • Martin Fowler (Chief Scientist) • Bharani Subramaniam • Birgitta Böckeler • Bryan Oliver • Camilla Falconi Crispim • Chris Chakrit Riddhagni • Effy Elden • Erik Doernenburg • James Lewis • Ken Mugrage • Maya Ormaza • Mike Mason • Neal Ford • Ni Wang • Nimisha Asthagiri • Pawan Shah • Selvakumar Natesan • Shangqi Liu • Vanya Seth • Will Amaral

 

Este volumen fue traducido al Español por el siguiente grupo:

• Adrià López • Alan Quimbita • Alexandra Ortiz • Alina Guerrero • Andrea Astorga Bilbao • Andrea Cuevas • Andrea Peralta • Andrea Velez • Andrés Vázquez • Ana López Estrella • Anna Corral • Antonia Castells • Antonio Galisteo Cantero • Ari Handler • Carles Piqueras • Carolina Melgarejo Pezoa • Carolina Zhou Lin • Carlos Fuentes • Catalina Solis • Cesar Abreu • Dani Gomez • Daniel Negrete • David Arevalo • Elegardo Valdés • Emmanuel Gomez Soler • Erika Vacaceka • Esteban Moreno Arias • Fernando Soto • Fernanda Pérez • Francis Alcántara • Gabriel Salgado • Gabriela Marques • Ivanna Cevallos • Jan Gomez Roberts • Javier Criollo • Jesús Cardenal Escribano • Joangie Márquez • Joaquin Hervas • Jordi Julià • Jorge Arimany • Jose María Alonso Montero • Joseph Guerrero • Judit Navarro • Juan Pablo Jorquera • Juan Romero • Leonardo Hidrovo • Luis Ruiz Del Aguila • Marc Palma • Magdalena Grondona • Maria Laura Jaramillo • Maria Martinez • Mario Bizcocho • Mercedes Crespo Jimenez • Miguel Vela • Milber Champutiz • Nestor Gutierrez • Noelia Martínez • Oscar Barba Manzano • Pablo Company Ramírez • Pedro Vázquez • Ricardo Casía • Rodrigo Vallejo • Sahard Hesamzadeh • Sebastian Roman • Sebastian Rueda • Sendami Luque Liñan • Sergio Gutiérrez Santos • Valeria Zaldumbide y Xavier Idrovo 

Thoughtworkers en el debate del Radar

Inside the Technology Radar es un breve documental que ofrece una nueva visión de todo lo relacionado con el Radar Tecnológico.

Suscríbete. Mantente al día.

Inscríbete para recibir correos sobre futuros lanzamientos del Radar Tecnológico y opiniones tecnológicas bimensuales de Thoughtworks.

Marketo Form ID is invalid !!!

Visita nuestro archivo para leer los volúmenes anteriores