<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="https://maquinariapesadapodcast.es/wp-content/plugins/seriously-simple-podcasting/templates/feed-stylesheet.xsl?v=2"?><rss version="2.0"
	 xmlns:content="http://purl.org/rss/1.0/modules/content/"
	 xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	 xmlns:dc="http://purl.org/dc/elements/1.1/"
	 xmlns:atom="http://www.w3.org/2005/Atom"
	 xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	 xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	 xmlns:itunes="http://www.itunes.com/dtds/podcast-1.0.dtd"
	 xmlns:googleplay="http://www.google.com/schemas/play-podcasts/1.0"
	 xmlns:podcast="https://podcastindex.org/namespace/1.0"
	 xmlns:ssp="https://castos.com/seriously-simple-podcasting/namespace/1.0"
	>
		<channel>
		<title>MaquinarIA pesada</title>
		<atom:link href="https://maquinariapesadapodcast.es/feed/podcast/maquinaria-pesada/" rel="self" type="application/rss+xml"/>
		<link>https://maquinariapesadapodcast.es/podcasts/maquinaria-pesada/</link>
		<description>MaquinarIA Pesada es un podcast sobre inteligencia artificial aplicada a empresa. Explicamos conceptos técnicos, decisiones de negocio y casos reales para entender qué significa llevar la IA a producción: datos, costes, proveedores, automatización, límites, riesgos y adopción.

Cada episodio combina conversación, ejemplos prácticos y análisis de casos reales para separar lo que funciona de verdad del ruido comercial que rodea a la IA.</description>
		<lastBuildDate>Fri, 07 Aug 2026 10:23:58 +0000</lastBuildDate>
		<language>es-ES</language>
		<copyright>© 2026 MaquinarIA Pesada</copyright>
		<itunes:subtitle>IA aplicada a empresa, sin humo.</itunes:subtitle>
		<itunes:author>MaquinarIA Pesada</itunes:author>
		<itunes:type>episodic</itunes:type>
		<itunes:summary>MaquinarIA Pesada es un podcast sobre inteligencia artificial aplicada a empresa. Explicamos conceptos técnicos, decisiones de negocio y casos reales para entender qué significa llevar la IA a producción: datos, costes, proveedores, automatización, límites, riesgos y adopción.

Cada episodio combina conversación, ejemplos prácticos y análisis de casos reales para separar lo que funciona de verdad del ruido comercial que rodea a la IA.</itunes:summary>
		<itunes:owner>
			<itunes:name>maquinariapesada</itunes:name>
			<itunes:email>podcast@maquinariapesadapodcast.es</itunes:email>
		</itunes:owner>
		<itunes:explicit>false</itunes:explicit>
		<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/logo_fondo_amarillo_3000x3000_upscaled-scaled.png"></itunes:image>
			<image>
				<url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/logo_fondo_amarillo_3000x3000_upscaled-scaled.png</url>
				<title>MaquinarIA pesada</title>
				<link>https://maquinariapesadapodcast.es/podcasts/maquinaria-pesada/</link>
			</image>
		<itunes:category text="Technology">
		</itunes:category>
		<itunes:category text="Business">
									<itunes:category text="Management"></itunes:category>
							</itunes:category>
		<googleplay:author><![CDATA[MaquinarIA Pesada]]></googleplay:author>
			<googleplay:email>podcast@maquinariapesadapodcast.es</googleplay:email>			<googleplay:description>MaquinarIA Pesada es un podcast sobre inteligencia artificial aplicada a empresa. Explicamos conceptos técnicos, decisiones de negocio y casos reales para entender qué significa llevar la IA a producción: datos, costes, proveedores, automatización, límites, riesgos y adopción.

Cada episodio combina conversación, ejemplos prácticos y análisis de casos reales para separar lo que funciona de verdad del ruido comercial que rodea a la IA.</googleplay:description>
			<googleplay:explicit>No</googleplay:explicit>
			<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/logo_fondo_amarillo_3000x3000_upscaled-scaled.png"></googleplay:image>
			<podcast:guid>65e70e0a-5358-5c60-afa9-3e9297f3b66b</podcast:guid>
		
		<!-- podcast_generator="SSP by Castos/3.17.0" Seriously Simple Podcasting plugin for WordPress (https://wordpress.org/plugins/seriously-simple-podcasting/) -->
		<generator>https://wordpress.org/?v=7.1</generator>

<item>
	<title>M1.6 · Lógica difusa: cómo la IA modela lo que no es blanco ni negro</title>
	<link>https://maquinariapesadapodcast.es/podcast/m1-6-logica-difusa/</link>
	<pubDate>Tue, 04 Aug 2026 14:43:37 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">0918b797-c1f9-53ec-85a3-b3ab68c25301</guid>
	<description><![CDATA[La lógica difusa lleva décadas en producción en control industrial, electrodomésticos y sistemas embebidos. En este episodio explicamos cómo funciona, cuándo tiene ventaja sobre el machine learning y cuándo no. Con el caso de Siemens y el control de hornos de cemento mediante lógica difusa.]]></description>
	<itunes:subtitle><![CDATA[La lógica difusa lleva décadas en producción en control industrial, electrodomésticos y sistemas embebidos. En este episodio explicamos cómo funciona, cuándo tiene ventaja sobre el machine learning y cuándo no. Con el caso de Siemens y el control de horn]]></itunes:subtitle>
	<content:encoded><![CDATA[La lógica difusa lleva décadas en producción en control industrial, electrodomésticos y sistemas embebidos. En este episodio explicamos cómo funciona, cuándo tiene ventaja sobre el machine learning y cuándo no. Con el caso de Siemens y el control de hornos de cemento mediante lógica difusa.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/50/m1-6-logica-difusa.mp3" length="21578733" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[La lógica difusa lleva décadas en producción en control industrial, electrodomésticos y sistemas embebidos. En este episodio explicamos cómo funciona, cuándo tiene ventaja sobre el machine learning y cuándo no. Con el caso de Siemens y el control de hornos de cemento mediante lógica difusa.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t6.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t6.png</ssp:url>
		<ssp:title>M1.6 · Lógica difusa: cómo la IA modela lo que no es blanco ni negro</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:14:59</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[La lógica difusa lleva décadas en producción en control industrial, electrodomésticos y sistemas embebidos. En este episodio explicamos cómo funciona, cuándo tiene ventaja sobre el machine learning y cuándo no. Con el caso de Siemens y el control de hornos de cemento mediante lógica difusa.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t6.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M1.5 · IA neuro-simbólica: cuando las reglas y los datos trabajan juntos</title>
	<link>https://maquinariapesadapodcast.es/podcast/m1-5-ia-neuro-simbolica/</link>
	<pubDate>Tue, 04 Aug 2026 14:33:20 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">1a878a70-adec-56f1-92bb-266e3976daef</guid>
	<description><![CDATA[La IA neuro-simbólica combina lo que las redes neuronales aprenden con lo que la lógica sabe. En este episodio explicamos cómo funciona esa combinación, dónde tiene sentido y dónde no, con el caso de DeepMind AlphaFold y la predicción de más de doscientos millones de estructuras de proteínas.]]></description>
	<itunes:subtitle><![CDATA[La IA neuro-simbólica combina lo que las redes neuronales aprenden con lo que la lógica sabe. En este episodio explicamos cómo funciona esa combinación, dónde tiene sentido y dónde no, con el caso de DeepMind AlphaFold y la predicción de más de dosciento]]></itunes:subtitle>
	<content:encoded><![CDATA[La IA neuro-simbólica combina lo que las redes neuronales aprenden con lo que la lógica sabe. En este episodio explicamos cómo funciona esa combinación, dónde tiene sentido y dónde no, con el caso de DeepMind AlphaFold y la predicción de más de doscientos millones de estructuras de proteínas.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/47/m1-5-ia-neuro-simbolica.mp3" length="18383085" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[La IA neuro-simbólica combina lo que las redes neuronales aprenden con lo que la lógica sabe. En este episodio explicamos cómo funciona esa combinación, dónde tiene sentido y dónde no, con el caso de DeepMind AlphaFold y la predicción de más de doscientos millones de estructuras de proteínas.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t5-1.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t5-1.png</ssp:url>
		<ssp:title>M1.5 · IA neuro-simbólica: cuando las reglas y los datos trabajan juntos</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:12:46</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[La IA neuro-simbólica combina lo que las redes neuronales aprenden con lo que la lógica sabe. En este episodio explicamos cómo funciona esa combinación, dónde tiene sentido y dónde no, con el caso de DeepMind AlphaFold y la predicción de más de doscientos millones de estructuras de proteínas.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t5-1.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M1.4 · Sistema 1 en IA: inferencia rápida, confianza sin verificación</title>
	<link>https://maquinariapesadapodcast.es/podcast/m1-4-sistema-1-ia-inferencia-rapida/</link>
	<pubDate>Tue, 04 Aug 2026 14:29:40 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">https://maquinariapesadapodcast.es/?post_type=podcast&#038;p=45</guid>
	<description><![CDATA[Sistema 1 en IA es inferencia directa sin razonamiento intermedio. Rápido, barato, escalable. Pero con un límite crítico: no tiene autocrítica. En este episodio explicamos cuándo usarlo y cuándo no, con el caso de Mastercard y su sistema de detección de fraude en tiempo real.]]></description>
	<itunes:subtitle><![CDATA[Sistema 1 en IA es inferencia directa sin razonamiento intermedio. Rápido, barato, escalable. Pero con un límite crítico: no tiene autocrítica. En este episodio explicamos cuándo usarlo y cuándo no, con el caso de Mastercard y su sistema de detección de ]]></itunes:subtitle>
	<content:encoded><![CDATA[Sistema 1 en IA es inferencia directa sin razonamiento intermedio. Rápido, barato, escalable. Pero con un límite crítico: no tiene autocrítica. En este episodio explicamos cuándo usarlo y cuándo no, con el caso de Mastercard y su sistema de detección de fraude en tiempo real.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/45/m1-4-sistema-1-ia-inferencia-rapida.mp3" length="19027629" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Sistema 1 en IA es inferencia directa sin razonamiento intermedio. Rápido, barato, escalable. Pero con un límite crítico: no tiene autocrítica. En este episodio explicamos cuándo usarlo y cuándo no, con el caso de Mastercard y su sistema de detección de fraude en tiempo real.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t4.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t4.png</ssp:url>
		<ssp:title>M1.4 · Sistema 1 en IA: inferencia rápida, confianza sin verificación</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:13</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Sistema 1 en IA es inferencia directa sin razonamiento intermedio. Rápido, barato, escalable. Pero con un límite crítico: no tiene autocrítica. En este episodio explicamos cuándo usarlo y cuándo no, con el caso de Mastercard y su sistema de detección de fraude en tiempo real.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t4.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M1.3 · RNN: por qué la memoria de la IA tiene límites y cuándo importa</title>
	<link>https://maquinariapesadapodcast.es/podcast/m1-3-rnn-memoria-ia/</link>
	<pubDate>Tue, 04 Aug 2026 14:20:43 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">e361f020-582a-5366-a6e5-1dcbbf3540ab</guid>
	<description><![CDATA[Las RNN fueron la arquitectura dominante en procesamiento de lenguaje antes de los transformers. En este episodio explicamos cómo funcionan, qué es el vanishing gradient y por qué es un límite real en producción. Con el caso de Google GNMT y la reducción del sesenta por ciento en errores de traducción.]]></description>
	<itunes:subtitle><![CDATA[Las RNN fueron la arquitectura dominante en procesamiento de lenguaje antes de los transformers. En este episodio explicamos cómo funcionan, qué es el vanishing gradient y por qué es un límite real en producción. Con el caso de Google GNMT y la reducción]]></itunes:subtitle>
	<content:encoded><![CDATA[Las RNN fueron la arquitectura dominante en procesamiento de lenguaje antes de los transformers. En este episodio explicamos cómo funcionan, qué es el vanishing gradient y por qué es un límite real en producción. Con el caso de Google GNMT y la reducción del sesenta por ciento en errores de traducción.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/43/m1-3-rnn-memoria-ia.mp3" length="18758637" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Las RNN fueron la arquitectura dominante en procesamiento de lenguaje antes de los transformers. En este episodio explicamos cómo funcionan, qué es el vanishing gradient y por qué es un límite real en producción. Con el caso de Google GNMT y la reducción del sesenta por ciento en errores de traducción.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t3.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t3.png</ssp:url>
		<ssp:title>M1.3 · RNN: por qué la memoria de la IA tiene límites y cuándo importa</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:02</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Las RNN fueron la arquitectura dominante en procesamiento de lenguaje antes de los transformers. En este episodio explicamos cómo funcionan, qué es el vanishing gradient y por qué es un límite real en producción. Con el caso de Google GNMT y la reducción del sesenta por ciento en errores de traducción.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t3.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M1.2 · Sistemas expertos: cuándo la IA basada en reglas sigue ganando</title>
	<link>https://maquinariapesadapodcast.es/podcast/m1-2-sistemas-expertos/</link>
	<pubDate>Tue, 04 Aug 2026 14:14:30 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">494b8f10-925f-51ae-a819-f04368846383</guid>
	<description><![CDATA[Los sistemas expertos siguen en producción en hospitales, plantas industriales y despachos de abogados. En este episodio explicamos cómo funcionan, qué los diferencia de las redes neuronales, y cuándo tienen sentido frente a modelos de aprendizaje automático. Con el caso de Amazon y su sistema de gestión de almacén.]]></description>
	<itunes:subtitle><![CDATA[Los sistemas expertos siguen en producción en hospitales, plantas industriales y despachos de abogados. En este episodio explicamos cómo funcionan, qué los diferencia de las redes neuronales, y cuándo tienen sentido frente a modelos de aprendizaje automá]]></itunes:subtitle>
	<content:encoded><![CDATA[Los sistemas expertos siguen en producción en hospitales, plantas industriales y despachos de abogados. En este episodio explicamos cómo funcionan, qué los diferencia de las redes neuronales, y cuándo tienen sentido frente a modelos de aprendizaje automático. Con el caso de Amazon y su sistema de gestión de almacén.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/41/m1-2-sistemas-expertos.mp3" length="18914733" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Los sistemas expertos siguen en producción en hospitales, plantas industriales y despachos de abogados. En este episodio explicamos cómo funcionan, qué los diferencia de las redes neuronales, y cuándo tienen sentido frente a modelos de aprendizaje automático. Con el caso de Amazon y su sistema de gestión de almacén.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t2.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t2.png</ssp:url>
		<ssp:title>M1.2 · Sistemas expertos: cuándo la IA basada en reglas sigue ganando</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:08</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Los sistemas expertos siguen en producción en hospitales, plantas industriales y despachos de abogados. En este episodio explicamos cómo funcionan, qué los diferencia de las redes neuronales, y cuándo tienen sentido frente a modelos de aprendizaje automático. Con el caso de Amazon y su sistema de gestión de almacén.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t2.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M1.1 · Inviernos de la IA: por qué el hype colapsa y qué señales lo anuncian</title>
	<link>https://maquinariapesadapodcast.es/podcast/m1-1-inviernos-de-la-ia/</link>
	<pubDate>Tue, 04 Aug 2026 13:59:49 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">9f11b231-cbe2-5b50-958b-091c49d53c88</guid>
	<description><![CDATA[Los inviernos de la IA son los períodos en que el campo entró en crisis profunda: financiación cortada, proyectos abandonados, reputación destruida. En este episodio explicamos qué los causó, qué patrón se repite y qué señales permiten detectarlos antes de que lleguen. Con el caso de IBM Watson Health como ejemplo de invierno a escala de empresa.]]></description>
	<itunes:subtitle><![CDATA[Los inviernos de la IA son los períodos en que el campo entró en crisis profunda: financiación cortada, proyectos abandonados, reputación destruida. En este episodio explicamos qué los causó, qué patrón se repite y qué señales permiten detectarlos antes ]]></itunes:subtitle>
	<content:encoded><![CDATA[Los inviernos de la IA son los períodos en que el campo entró en crisis profunda: financiación cortada, proyectos abandonados, reputación destruida. En este episodio explicamos qué los causó, qué patrón se repite y qué señales permiten detectarlos antes de que lleguen. Con el caso de IBM Watson Health como ejemplo de invierno a escala de empresa.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/33/m1-1-inviernos-de-la-ia.mp3" length="20084589" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Los inviernos de la IA son los períodos en que el campo entró en crisis profunda: financiación cortada, proyectos abandonados, reputación destruida. En este episodio explicamos qué los causó, qué patrón se repite y qué señales permiten detectarlos antes de que lleguen. Con el caso de IBM Watson Health como ejemplo de invierno a escala de empresa.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t1.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t1.png</ssp:url>
		<ssp:title>M1.1 · Inviernos de la IA: por qué el hype colapsa y qué señales lo anuncian</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:57</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Los inviernos de la IA son los períodos en que el campo entró en crisis profunda: financiación cortada, proyectos abandonados, reputación destruida. En este episodio explicamos qué los causó, qué patrón se repite y qué señales permiten detectarlos antes de que lleguen. Con el caso de IBM Watson Health como ejemplo de invierno a escala de empresa.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/08/m1t1.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0 · IA en producción: lo que nadie calcula antes de firmar</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-ia-en-produccion/</link>
	<pubDate>Fri, 24 Jul 2026 02:00:00 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">3ac6c952-cf25-5ae2-b474-99f08ebf0349</guid>
	<description><![CDATA[Un modelo de IA puede llevar dos años en producción tomando decisiones sobre un mundo que ya no existe. No porque falle técnicamente. Sino porque nadie le ha contado qué ha cambiado. En este episodio: corte de conocimiento y TCO. Las dos variables que deberían estar sobre la mesa antes de firmar cualquier proyecto de IA, y que casi nunca están. Con el caso real de JPMorgan COIN: 360.000 horas de revisión de contratos reducidas a segundos, y lo que ese número no cuenta.]]></description>
	<itunes:subtitle><![CDATA[Un modelo de IA puede llevar dos años en producción tomando decisiones sobre un mundo que ya no existe. No porque falle técnicamente. Sino porque nadie le ha contado qué ha cambiado. En este episodio: corte de conocimiento y TCO. Las dos variables que de]]></itunes:subtitle>
	<content:encoded><![CDATA[Un modelo de IA puede llevar dos años en producción tomando decisiones sobre un mundo que ya no existe. No porque falle técnicamente. Sino porque nadie le ha contado qué ha cambiado. En este episodio: corte de conocimiento y TCO. Las dos variables que deberían estar sobre la mesa antes de firmar cualquier proyecto de IA, y que casi nunca están. Con el caso real de JPMorgan COIN: 360.000 horas de revisión de contratos reducidas a segundos, y lo que ese número no cuenta.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/29/m0-ia-en-produccion.mp3" length="21172653" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Un modelo de IA puede llevar dos años en producción tomando decisiones sobre un mundo que ya no existe. No porque falle técnicamente. Sino porque nadie le ha contado qué ha cambiado. En este episodio: corte de conocimiento y TCO. Las dos variables que deberían estar sobre la mesa antes de firmar cualquier proyecto de IA, y que casi nunca están. Con el caso real de JPMorgan COIN: 360.000 horas de revisión de contratos reducidas a segundos, y lo que ese número no cuenta.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/m0-miniatura.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/m0-miniatura.png</ssp:url>
		<ssp:title>M0 · IA en producción: lo que nadie calcula antes de firmar</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:14:42</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Un modelo de IA puede llevar dos años en producción tomando decisiones sobre un mundo que ya no existe. No porque falle técnicamente. Sino porque nadie le ha contado qué ha cambiado. En este episodio: corte de conocimiento y TCO. Las dos variables que deberían estar sobre la mesa antes de firmar cualquier proyecto de IA, y que casi nunca están. Con el caso real de JPMorgan COIN: 360.000 horas de revisión de contratos reducidas a segundos, y lo que ese número no cuenta.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/m0-miniatura.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0.6 · Del piloto a producción: por qué tantos proyectos de IA se atascan</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-6-del-piloto-a-produccion/</link>
	<pubDate>Mon, 06 Jul 2026 20:56:11 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">cd5e26ce-0db5-5af8-b7e1-052f5a51def3</guid>
	<description><![CDATA[Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.]]></description>
	<itunes:subtitle><![CDATA[Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.]]></itunes:subtitle>
	<content:encoded><![CDATA[Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/26/m0-6-del-piloto-a-produccion.mp3" length="19449261" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t6-miniatura.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t6-miniatura.png</ssp:url>
		<ssp:title>M0.6 · Del piloto a producción: por qué tantos proyectos de IA se atascan</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:30</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t6-miniatura.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0.5 · Casos reales de IA por sector: qué puedes copiar y qué no</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-5-casos-reales-sector/</link>
	<pubDate>Mon, 06 Jul 2026 20:51:34 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">83b7f65b-158d-59d3-a90f-2e0117c0215b</guid>
	<description><![CDATA[Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.]]></description>
	<itunes:subtitle><![CDATA[Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.]]></itunes:subtitle>
	<content:encoded><![CDATA[Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/24/m0-5-casos-reales-sector.mp3" length="18812781" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t5-miniatura.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t5-miniatura.png</ssp:url>
		<ssp:title>M0.5 · Casos reales de IA por sector: qué puedes copiar y qué no</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:04</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t5-miniatura.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0.4 · Qué puede hacer la IA y qué no: el riesgo de las respuestas convincentes</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-4-capacidades-limites-ia/</link>
	<pubDate>Mon, 06 Jul 2026 20:47:20 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">https://maquinariapesadapodcast.es/?post_type=podcast&#038;p=22</guid>
	<description><![CDATA[La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.]]></description>
	<itunes:subtitle><![CDATA[La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.]]></itunes:subtitle>
	<content:encoded><![CDATA[La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/22/m0-4-capacidades-limites-ia.mp3" length="20096685" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t4-miniatura.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t4-miniatura.png</ssp:url>
		<ssp:title>M0.4 · Qué puede hacer la IA y qué no: el riesgo de las respuestas convincentes</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:57</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t4-miniatura.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0.3 · Modelos de IA: cómo elegir proveedor sin quedar atrapado</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-3-modelos-proveedores-ia/</link>
	<pubDate>Mon, 06 Jul 2026 20:44:14 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">79195398-aa8a-56d9-924f-14d2167f7f7a</guid>
	<description><![CDATA[El mercado de IA está lleno de modelos, APIs y proveedores. En este episodio explicamos cómo elegir entre modelos abiertos, cerrados y plataformas sin quedar atrapado en el ecosistema equivocado.]]></description>
	<itunes:subtitle><![CDATA[El mercado de IA está lleno de modelos, APIs y proveedores. En este episodio explicamos cómo elegir entre modelos abiertos, cerrados y plataformas sin quedar atrapado en el ecosistema equivocado.]]></itunes:subtitle>
	<content:encoded><![CDATA[El mercado de IA está lleno de modelos, APIs y proveedores. En este episodio explicamos cómo elegir entre modelos abiertos, cerrados y plataformas sin quedar atrapado en el ecosistema equivocado.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/19/m0-3-modelos-proveedores-ia.mp3" length="19717677" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[El mercado de IA está lleno de modelos, APIs y proveedores. En este episodio explicamos cómo elegir entre modelos abiertos, cerrados y plataformas sin quedar atrapado en el ecosistema equivocado.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t3-miniatura-1.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t3-miniatura-1.png</ssp:url>
		<ssp:title>M0.3 · Modelos de IA: cómo elegir proveedor sin quedar atrapado</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:13:42</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[El mercado de IA está lleno de modelos, APIs y proveedores. En este episodio explicamos cómo elegir entre modelos abiertos, cerrados y plataformas sin quedar atrapado en el ecosistema equivocado.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t3-miniatura-1.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0.2 · Tipos de IA: discriminativa, generativa y por qué importa distinguirlas</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-2-tipos-de-ia/</link>
	<pubDate>Mon, 06 Jul 2026 20:40:21 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">https://maquinariapesadapodcast.es/?post_type=podcast&#038;p=12</guid>
	<description><![CDATA[No todas las soluciones de IA son iguales. En este episodio explicamos la diferencia entre IA discriminativa e IA generativa, cómo falla cada una y qué preguntas deberías hacer antes de contratar una solución.]]></description>
	<itunes:subtitle><![CDATA[No todas las soluciones de IA son iguales. En este episodio explicamos la diferencia entre IA discriminativa e IA generativa, cómo falla cada una y qué preguntas deberías hacer antes de contratar una solución.]]></itunes:subtitle>
	<content:encoded><![CDATA[No todas las soluciones de IA son iguales. En este episodio explicamos la diferencia entre IA discriminativa e IA generativa, cómo falla cada una y qué preguntas deberías hacer antes de contratar una solución.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/12/m0-2-tipos-de-ia.mp3" length="21375981" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[No todas las soluciones de IA son iguales. En este episodio explicamos la diferencia entre IA discriminativa e IA generativa, cómo falla cada una y qué preguntas deberías hacer antes de contratar una solución.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t2-miniatura.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t2-miniatura.png</ssp:url>
		<ssp:title>M0.2 · Tipos de IA: discriminativa, generativa y por qué importa distinguirlas</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:14:51</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[No todas las soluciones de IA son iguales. En este episodio explicamos la diferencia entre IA discriminativa e IA generativa, cómo falla cada una y qué preguntas deberías hacer antes de contratar una solución.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t2-miniatura.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>

<item>
	<title>M0.1 · Paradigma estadístico: por qué la IA aprende de datos y no de reglas</title>
	<link>https://maquinariapesadapodcast.es/podcast/m0-1-paradigma-estadistico/</link>
	<pubDate>Mon, 06 Jul 2026 19:45:54 +0000</pubDate>
	<dc:creator><![CDATA[MaquinarIA Pesada]]></dc:creator>
	<guid isPermaLink="false">https://maquinariapesadapodcast.es/?post_type=podcast&#038;p=9</guid>
	<description><![CDATA[La inteligencia artificial moderna no funciona como muchos imaginan. No sigue una lista de reglas escritas a mano. Aprende patrones a partir de datos.

En este episodio explicamos qué es el paradigma estadístico, cómo se diferencia del enfoque simbólico y por qué entenderlo cambia la forma de evaluar, contratar y desplegar sistemas de IA.

Hablamos de modelos que aprenden de datos históricos, de degradación con el tiempo, de supervisión en producción y del caso JPMorgan COIN.]]></description>
	<itunes:subtitle><![CDATA[La inteligencia artificial moderna no funciona como muchos imaginan. No sigue una lista de reglas escritas a mano. Aprende patrones a partir de datos.

En este episodio explicamos qué es el paradigma estadístico, cómo se diferencia del enfoque simbólico ]]></itunes:subtitle>
	<itunes:episodeType>full</itunes:episodeType>
	<content:encoded><![CDATA[La inteligencia artificial moderna no funciona como muchos imaginan. No sigue una lista de reglas escritas a mano. Aprende patrones a partir de datos.

En este episodio explicamos qué es el paradigma estadístico, cómo se diferencia del enfoque simbólico y por qué entenderlo cambia la forma de evaluar, contratar y desplegar sistemas de IA.

Hablamos de modelos que aprenden de datos históricos, de degradación con el tiempo, de supervisión en producción y del caso JPMorgan COIN.]]></content:encoded>
	<enclosure url="https://maquinariapesadapodcast.es/podcast-download/9/m0-1-paradigma-estadistico.mp3" length="18006381" type="audio/mpeg"></enclosure>
	<itunes:summary><![CDATA[La inteligencia artificial moderna no funciona como muchos imaginan. No sigue una lista de reglas escritas a mano. Aprende patrones a partir de datos.

En este episodio explicamos qué es el paradigma estadístico, cómo se diferencia del enfoque simbólico y por qué entenderlo cambia la forma de evaluar, contratar y desplegar sistemas de IA.

Hablamos de modelos que aprenden de datos históricos, de degradación con el tiempo, de supervisión en producción y del caso JPMorgan COIN.]]></itunes:summary>
	<itunes:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t1-miniatura.png"></itunes:image>
	<ssp:image>
		<ssp:url>https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t1-miniatura.png</ssp:url>
		<ssp:title>M0.1 · Paradigma estadístico: por qué la IA aprende de datos y no de reglas</ssp:title>
	</ssp:image>
	<itunes:explicit>false</itunes:explicit>
	<itunes:block>no</itunes:block>
	<itunes:duration>00:12:30</itunes:duration>
	<itunes:author><![CDATA[MaquinarIA Pesada]]></itunes:author>	<googleplay:description><![CDATA[La inteligencia artificial moderna no funciona como muchos imaginan. No sigue una lista de reglas escritas a mano. Aprende patrones a partir de datos.

En este episodio explicamos qué es el paradigma estadístico, cómo se diferencia del enfoque simbólico y por qué entenderlo cambia la forma de evaluar, contratar y desplegar sistemas de IA.

Hablamos de modelos que aprenden de datos históricos, de degradación con el tiempo, de supervisión en producción y del caso JPMorgan COIN.]]></googleplay:description>
	<googleplay:image href="https://maquinariapesadapodcast.es/wp-content/uploads/2026/07/M0t1-miniatura.png"></googleplay:image>
	<googleplay:explicit>No</googleplay:explicit>
	<googleplay:block>no</googleplay:block>
</item>
	</channel>
</rss>
