Lectura 1 (PIT : Python Basico)

La Importancia de Google en la Sociedad Moderna Abraham Zamudio
https://www.linkedin.com/in/abraham-zamudio/ ´ Indice 1. Introducci´ on 1 1.1. Contexto hist´ orico de la revoluci´ on digital . . . . . . . . . . . . . . . . . . . 1 1.2. Surgimiento de Google como actor tecnol´ ogico global . . . . . . . . . . . . . 4 1.3. Objetivos del art´ ıculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4. Metodolog´ ıa y enfoque de an´ alisis . . . . . . . . . . . . . . . . . . . . . . . . 7 2. Origen y Evoluci´ on de Google 7 2.1. Fundaci´ on de Google y visi´ on inicial . . . . . . . . . . . . . . . . . . . . . . . 7 2.2. Los fundadores: Larry Page y Sergey Brin . . . . . . . . . . . . . . . . . . . 8 2.3. Desarrollo del motor de b´ usqueda . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4. Expansi´ on de servicios y productos digitales . . . . . . . . . . . . . . . . . . 13 2.5. Creaci´ on de Alphabet como empresa matriz . . . . . . . . . . . . . . . . . . 13 3. Google y el Acceso Global a la Informaci´ on 19 3.1. Democratizaci´ on del conocimiento . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2. El motor de b´ usqueda como herramienta educativa . . . . . . . . . . . . . . 23 3.3. Organizaci´ on y clasificaci´ on de la informaci´ on mundial . . . . . . . . . . . . 23 3.4. Impacto en estudiantes, investigadores y profesionales . . . . . . . . . . . . . 29 3.5. Google como intermediario del conocimiento digital . . . . . . . . . . . . . . 30 4. Impacto de Google en la Educaci´ on 30 4.1. Herramientas educativas digitales . . . . . . . . . . . . . . . . . . . . . . . . 30 4.2. Uso de Google Classroom en instituciones educativas . . . . . . . . . . . . . 31 4.3. Importancia de Google Scholar en la investigaci´ on cient´ ıfica . . . . . . . . . . 32 4.4. Aprendizaje colaborativo mediante servicios en la nube . . . . . . . . . . . . 33 4.5. Transformaci´ on de la educaci´ on virtual . . . . . . . . . . . . . . . . . . . . . 34 5. Influencia de Google en la Comunicaci´ on y la Vida Cotidiana 41 5.1. Uso masivo de Gmail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.2. Videoconferencias mediante Google Meet . . . . . . . . . . . . . . . . . . . . 41 5.3. Navegaci´ on y geolocalizaci´ on con Google Maps . . . . . . . . . . . . . . . . . 42 5.4. Consumo audiovisual a trav´ es de YouTube . . . . . . . . . . . . . . . . . . . 43 1

Sesion 1 5.5. Dependencia tecnol´ ogica en la rutina diaria
. . . . . . . . . . . . . . . . . . . 44 6. Google y la Econom´ ıa Digital 45 6.1. Publicidad digital y modelo de negocio . . . . . . . . . . . . . . . . . . . . . 45 6.2. Importancia de Google Ads para empresas y emprendedores . . . . . . . . . 51 6.3. Impacto en el comercio electr´ onico . . . . . . . . . . . . . . . . . . . . . . . 58 6.4. Generaci´ on de empleo tecnol´ ogico . . . . . . . . . . . . . . . . . . . . . . . . 62 6.5. Google como motor de innovaci´ on empresarial . . . . . . . . . . . . . . . . . 68 7. Google y el Desarrollo Tecnol´ ogico 74 7.1. Investigaci´ on en inteligencia artificial . . . . . . . . . . . . . . . . . . . . . . 74 7.2. Desarrollo de sistemas operativos como Android . . . . . . . . . . . . . . . . 76 7.3. Computaci´ on en la nube y servicios digitales . . . . . . . . . . . . . . . . . . 79 7.4. Big Data y an´ alisis de informaci´ on . . . . . . . . . . . . . . . . . . . . . . . 81 7.5. Automatizaci´ on y aprendizaje autom´ atico . . . . . . . . . . . . . . . . . . . 83 8. Impacto Social y Cultural 86 8.1. Cambios en los h´ abitos de consumo de informaci´ on . . . . . . . . . . . . . . 86 8.1.1. El periodismo de b´ usqueda y la reconfiguraci´ on de los medios . . . . 87 8.2. Transformaci´ on de la cultura digital . . . . . . . . . . . . . . . . . . . . . . . 88 8.2.1. Google Maps y la redefinici´ on del espacio p´ ublico . . . . . . . . . . . 90 8.2.2. Los Doodles de Google como arte ef´ ımero . . . . . . . . . . . . . . . 90 8.3. Influencia en redes sociales y medios de comunicaci´ on . . . . . . . . . . . . . 90 8.4. Google y la globalizaci´ on tecnol´ ogica . . . . . . . . . . . . . . . . . . . . . . 92 8.5. Inclusi´ on digital y acceso tecnol´ ogico . . . . . . . . . . . . . . . . . . . . . . 94 9. Problemas y Controversias 96 9.1. Privacidad y recopilaci´ on de datos . . . . . . . . . . . . . . . . . . . . . . . . 96 9.2. Monopolio tecnol´ ogico y competencia . . . . . . . . . . . . . . . . . . . . . . 100 9.3. Manipulaci´ on algor´ ıtmica y sesgos . . . . . . . . . . . . . . . . . . . . . . . . 102 9.4. Dependencia de los servicios digitales . . . . . . . . . . . . . . . . . . . . . . 105 9.5. Debate ´ etico sobre inteligencia artificial . . . . . . . . . . . . . . . . . . . . . 108 10.Google y el Futuro de la Sociedad 110 10.1. Innovaciones emergentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 10.2. Inteligencia artificial generativa . . . . . . . . . . . . . . . . . . . . . . . . . 113 10.3. Ciudades inteligentes y automatizaci´ on . . . . . . . . . . . . . . . . . . . . . 116 10.4. Futuro del trabajo digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 10.5. Retos sociales y tecnol´ ogicos futuros . . . . . . . . . . . . . . . . . . . . . . . 120 11.Conclusiones 122 11.1. Balance del impacto de Google en la sociedad . . . . . . . . . . . . . . . . . 122 11.2. Beneficios y riesgos de su influencia global . . . . . . . . . . . . . . . . . . . 124 11.3. Reflexi´ on sobre el futuro tecnol´ ogico . . . . . . . . . . . . . . . . . . . . . . . 126 11.4. Importancia de un uso responsable de la tecnolog´ ıa . . . . . . . . . . . . . . 128 Abraham Zamudio 2 PIT: Python Basico

Sesion 1 1. Introducci´ on 1.1. Contexto hist´ orico de
la revoluci´ on digital La revoluci´ on digital constituye uno de los procesos transformadores m´ as profundos de la historia de la humanidad, comparable en magnitud a la revoluci´ on agr´ ıcola o la revoluci´ on industrial. Para comprender cabalmente el surgimiento de Google y su empresa matriz Alphabet, es necesario remontarse a los or´ ıgenes de la computaci´ on y las redes de comunicaci´ on, explorando c´ omo confluyeron d´ ecadas de innovaci´ on cient´ ıfica, esfuerzos militares y emprendimiento privado que, finalmente, dieron lugar a un ecosistema digital global. Los primeros cimientos de esta revoluci´ on se encuentran en la teor´ ıa matem´ atica y la l´ ogica. En 1936, Alan Turing concibi´ o la noci´ on de una m´ aquina universal capaz de ejecutar cualquier algoritmo, sentando las bases te´ oricas de la computaci´ on moderna. Durante la Segunda Guerra Mundial, los avances pr´ acticos se aceleraron: la m´ aquina Colossus brit´ anica (1943) y la ENIAC estadounidense (1946) demostraron que los dispositivos electr´ onicos pod´ ıan realizar c´ alculos a velocidades nunca antes vistas. Sin embargo, estas computadoras eran enormes, costosas y limitadas a tareas espec´ ıficas como la bal´ ıstica o la criptograf´ ıa. La invenci´ on del transistor en los Laboratorios Bell en 1947, seguida del circuito integrado por Jack Kilby y Robert Noyce a finales de los a˜ nos cincuenta, permiti´ o miniaturizar los componentes electr´ onicos y reducir dr´ asticamente los costos. La Ley de Moore, formulada por Gordon Moore en 1965 (cofundador de Intel), predijo que el n´ umero de transistores en un chip se duplicar´ ıa aproximadamente cada dos a˜ nos, una observaci´ on que se mantuvo vigente durante m´ as de cinco d´ ecadas y que impuls´ o el crecimiento exponencial de la capacidad de c´ omputo. Paralelamente al desarrollo del hardware, surg´ ıa la idea de conectar computadoras entre s´ ı. En plena Guerra Fr´ ıa, la Agencia de Proyectos de Investigaci´ on Avanzada (ARPA) del Departamento de Defensa de Estados Unidos concibi´ o una red descentralizada que pudiera mantener las comunicaciones incluso ante un ataque nuclear. As´ ı naci´ o ARPANET en 1969, que inicialmente conect´ o cuatro universidades: UCLA, Stanford, UC Santa B´ arbara y la Universidad de Utah. El protocolo de conmutaci´ on de paquetes, desarrollado por Leonard Kleinrock, Paul Baran y Donald Davies, permit´ ıa dividir la informaci´ on en peque˜ nos bloques que viajaban por rutas diversas y se reensamblaban en el destino, una idea revolucionaria que aumentaba la robustez y eficiencia de la red. Durante la d´ ecada de 1970, Vint Cerf y Bob Kahn dise˜ naron el protocolo TCP/IP, estandarizando la comunicaci´ on entre redes heterog´ eneas. El 1 de enero de 1983, ARPANET adopt´ o oficialmente TCP/IP, fecha simb´ olica que muchos consideran el nacimiento de Internet tal como lo conocemos. La d´ ecada de 1980 trajo dos avances cruciales: la computadora personal y la expansi´ on de las redes acad´ emicas. Con el lanzamiento del IBM PC en 1981 y el Macintosh de Apple en 1984, las computadoras dejaron de ser exclusivas de gobiernos y grandes corporaciones para entrar en hogares y peque˜ nas empresas. Microsoft, fundada por Bill Gates y Paul Allen, proporcion´ o el sistema operativo MS-DOS y luego Windows, creando un est´ andar de facto. En paralelo, la National Science Foundation (NSF) despleg´ o NSFNET, una red de alta velocidad que conectaba centros de superc´ omputo y que, gradualmente, reemplaz´ o a ARPANET. Las pol´ ıticas de uso aceptable permit´ ıan la transmisi´ on de tr´ afico acad´ emico y de investigaci´ on, pero no comercial. A pesar de esta restricci´ on, el correo electr´ onico (inventado Abraham Zamudio 3 PIT: Python Basico

Sesion 1 por Ray Tomlinson en 1971) y el protocolo
de transferencia de archivos (FTP) ya facilitaban el intercambio de informaci´ on entre cient´ ıficos de todo el mundo. El punto de inflexi´ on que democratiz´ o Internet lleg´ o entre 1989 y 1991, cuando Tim Berners- Lee, un ingeniero brit´ anico que trabajaba en el CERN (Laboratorio Europeo de F´ ısica de Part´ ıculas), propuso un sistema de hipertexto global. Desarroll´ o tres pilares fundamentales: HTML (lenguaje de marcado para crear p´ aginas), HTTP (protocolo para transferir esas p´ aginas) y URL (direccionamiento ´ unico para recursos). La World Wide Web no fue la primera red de hipertexto, pero su simplicidad y apertura la hicieron irresistible. Berners-Lee liber´ o el c´ odigo gratuitamente, rechazando regal´ ıas, con la convicci´ on de que la web deb´ ıa ser un bien com´ un. En 1993, el navegador Mosaic, creado por Marc Andreessen y Eric Bina en el Centro Nacional de Aplicaciones de Supercomputaci´ on (NCSA), a˜ nadi´ o una interfaz gr´ afica que integraba im´ agenes y texto, haciendo la web accesible a usuarios no t´ ecnicos. Andreessen fundar´ ıa posteriormente Netscape, cuyo navegador Navigator domin´ o los primeros a˜ nos de la web comercial. La comercializaci´ on de Internet se oficializ´ o en 1995, cuando la NSF desmantel´ o las restricciones de uso. Este desencaden´ o una explosi´ on de actividad empresarial y creativa. Surgieron los primeros portales y directorios web como Yahoo! (fundado por Jerry Yang y David Filo en 1994), que organizaban sitios por categor´ ıas jer´ arquicas —una aproximaci´ on artesanal que r´ apidamente se volvi´ o insostenible ante el crecimiento exponencial de p´ aginas. Los motores de b´ usqueda autom´ aticos como WebCrawler (1994), Lycos (1994), AltaVista (1995) e Infoseek (1995) comenzaron a indexar contenidos mediante robots (spiders) que recorr´ ıan la web y registraban palabras clave. Sin embargo, estas primeras tecnolog´ ıas adolec´ ıan de limitaciones graves. La mayor´ ıa se basaba en el an´ alisis de la frecuencia de t´ erminos en una p´ agina (tf-idf) o en metadatos suministrados por los autores, lo que hac´ ıa trivial el enga˜ no mediante la repetici´ on de palabras clave (keyword stuffing). Los resultados de b´ usqueda sol´ ıan ser irrelevantes o estaban inundados de spam. Adem´ as, ning´ un motor de la ´ epoca pod´ ıa evaluar la calidad o autoridad de una p´ agina m´ as all´ a de su contenido textual. Fue en este contexto de caos informativo donde Larry Page y Sergey Brin, dos estudiantes de posgrado en ciencias de la computaci´ on en la Universidad de Stanford, identificaron una oportunidad ´ unica. Inspirados por el sistema de citas acad´ emicas —donde un art´ ıculo es m´ as influyente si muchos otros lo referencian—, concibieron un algoritmo que analizaba el grafo de enlaces de la web. La idea fundamental era tratar cada hiperv´ ınculo como un voto de confianza de una p´ agina hacia otra, y ponderar esos votos seg´ un la autoridad de la p´ agina votante. El resultado fue PageRank, el coraz´ on tecnol´ ogico del motor de b´ usqueda que lanzaron con el nombre de Google (un juego de palabras con el t´ ermino matem´ atico ‘googol’, que representa el n´ umero 1 seguido de cien ceros, aludiendo a la inmensa cantidad de informaci´ on que aspiraban a organizar). A diferencia de sus competidores, Google ofrec´ ıa resultados notablemente m´ as relevantes y resistentes al spam, lo que le vali´ o una r´ apida adopci´ on en el ´ ambito universitario primero, y luego en el p´ ublico general. La compa˜ n´ ıa Google fue fundada oficialmente el 4 de septiembre de 1998, en un garaje de Menlo Park, California, con una inversi´ on inicial de 100.000 d´ olares de Andy Bechtolsheim (cofundador de Sun Microsystems). Desde ese momento, la empresa no solo perfeccion´ o su algoritmo de b´ usqueda, sino que comprendi´ o que la publicidad contextual, especialmente el Abraham Zamudio 4 PIT: Python Basico

Sesion 1 modelo de pago por clic (AdWords), pod´ ıa
monetizar la atenci´ on masiva de los usuarios sin comprometer la integridad de los resultados org´ anicos. El crecimiento fue mete´ orico: para el a˜ no 2000, Google ya procesaba m´ as de 100 millones de b´ usquedas diarias; en 2004 sali´ o a bolsa (NYSE: GOOG); y en 2006 el verbo ‘googlear’ ingres´ o en el diccionario Merriam-Webster. Sin embargo, la transformaci´ on m´ as estrat´ egica ocurri´ o en 2015, cuando los fundadores anun- ciaron la creaci´ on de Alphabet Inc., una nueva empresa matriz que reorganiz´ o el conglomerado. Bajo este paraguas, Google qued´ o como una subsidiaria que agrupa los negocios maduros: b´ usqueda, publicidad, Android, YouTube, Chrome, Google Cloud y Google Maps. El resto de las antiguas “divisiones experimentales” (como Calico, enfocada en longevidad; Verily, en ciencias de la salud; Waymo, en veh´ ıculos aut´ onomos; X, el “laboratorio de lunares”; y Google Fiber, en conectividad de alta velocidad) se convirtieron en compa˜ n´ ıas independientes, cada una con su propio CEO y reportando directamente a la c´ upula de Alphabet. Esta estructura, inspirada en el modelo de Berkshire Hathaway, buscaba dos objetivos: por un lado, dotar de agilidad y responsabilidad financiera a proyectos de largo plazo que no generaban ingresos inmediatos; por otro, proteger a Google de la volatilidad y el escrutinio regulatorio que podr´ ıan acompa˜ nar a iniciativas m´ as arriesgadas (como la conducci´ on aut´ onoma o los diagn´ osticos m´ edicos mediante lentes inteligentes). Comprender esta evoluci´ on —desde los primeros tubos de vac´ ıo hasta la arquitectura corporativa de Alphabet— es fundamental para analizar el impacto sociot´ ecnico de la empresa. La revoluci´ on digital no fue un destino inevitable, sino el resultado de decisiones, inversiones p´ ublicas (como las de ARPA y NSF) y privadas, est´ andares abiertos y, tambi´ en, de audaces innovaciones algor´ ıtmicas como PageRank. Google no cre´ o Internet, pero s´ ı resolvi´ o el problema de navegarlo eficazmente, convirti´ endose en la puerta de entrada por defecto al conocimiento digital. Su estructura como Alphabet refleja la madurez de una industria que ya no solo busca organizar informaci´ on, sino intervenir en dominios tan dis´ ımiles como la biotecnolog´ ıa, el transporte y la inteligencia artificial general. Por ello, cualquier an´ alisis serio del papel de Google en la sociedad moderna debe extenderse necesariamente a la corporaci´ on que lo cobija y a los proyectos que definen las fronteras de lo tecnol´ ogicamente posible. 1.2. Surgimiento de Google como actor tecnol´ ogico global El nacimiento oficial de Google el 4 de septiembre de 1998 en un garaje alquilado en Menlo Park, California, representa uno de esos momentos fundacionales que la historia de la tecnolog´ ıa recuerda con cierto aire de leyenda, pero que en realidad fue el resultado de una convergencia poco com´ un entre rigor acad´ emico, audacia empresarial y un profundo entendimiento de las limitaciones de la web primitiva. Larry Page y Sergey Brin, entonces estudiantes de doctorado en la Universidad de Stanford, hab´ ıan estado trabajando en un proyecto de investigaci´ on llamado “BackRub” (literalmente “caricia de espalda”, en alusi´ on al an´ alisis de enlaces inversos). Este proyecto evolucion´ o hasta convertirse en el motor de b´ usqueda que denominaron Google, un juego de palabras con el t´ ermino matem´ atico “googol” —el 1 seguido de cien ceros— que reflejaba su ambici´ on de indexar la inmensidad de la informaci´ on mundial. La elecci´ on del garaje como primera sede no fue una pose rom´ antica, sino una necesidad pr´ actica: con una inversi´ on inicial de apenas 100.000 d´ olares aportada por Andy Bechtolsheim (cofundador de Sun Microsystems), no pod´ ıan permitirse oficinas convencionales. Sin embargo, Abraham Zamudio 5 PIT: Python Basico

Sesion 1 ese espacio austero albergaba una idea revolucionaria que
cambiar´ ıa para siempre la relaci´ on de la humanidad con el conocimiento. El coraz´ on tecnol´ ogico de Google era el algoritmo PageRank, patentado bajo el t´ ıtulo “m´ etodo para clasificar nodos de una red”. A diferencia de los motores de b´ usqueda de la ´ epoca, que se basaban casi exclusivamente en el an´ alisis de palabras clave dentro del contenido de una p´ agina, PageRank interpretaba los hiperv´ ınculos como votos de calidad. En esencia, cuantos m´ as sitios web enlazaban a una p´ agina determinada, y cuanto m´ as autoritarios fueran esos sitios enlazantes, mayor era la relevancia que PageRank asignaba a dicha p´ agina. Este enfoque, inspirado en el sistema de citas de los art´ ıculos acad´ emicos, resolv´ ıa dos problemas cr´ onicos de la b´ usqueda en los a˜ nos 90: la f´ acil manipulaci´ on mediante keyword stuffing (relleno de palabras clave) y la imposibilidad de discriminar fuentes fiables de aquellas que eran superficiales o spam. Google no solo devolv´ ıa resultados, sino que los ordenaba de manera que los m´ as relevantes y reputados aparecieran en primer lugar. El salto cualitativo era tan evidente que quienes probaban Google en sus primeros a˜ nos sol´ ıan abandonar AltaVista, Lycos o Excite para siempre. La r´ apida adopci´ on de Google no se debi´ o ´ unicamente a la superioridad t´ ecnica de PageRank. Hubo factores de dise˜ no igualmente decisivos. Mientras que la mayor´ ıa de los portales de finales de los noventa (como Yahoo! o MSN) presentaban p´ aginas de inicio recargadas de anuncios, noticias, widgets y directorios tem´ aticos, Google apost´ o por una p´ agina de inicio casi vac´ ıa: un logotipo colorido, una caja de texto y dos botones. Esta simplicidad minimalista no era un accidente est´ etico, sino una declaraci´ on de principios: el motor de b´ usqueda deb´ ıa ser r´ apido, directo y centrado en el usuario. Los tiempos de carga eran m´ ınimos porque Google evitaba gr´ aficos pesados y publicidad intrusiva. Adem´ as, los resultados se mostraban sin banners parpadeantes ni animaciones. Esta filosof´ ıa de “usuario primero” contrastaba fuertemente con el modelo de los portales, que intentaban retener al visitante dentro de su propio ecosistema de contenidos. Google, en cambio, entend´ ıa que su misi´ on era enviar al usuario a la p´ agina m´ as relevante lo antes posible, incluso si eso significaba abandonar el sitio de Google. Esta paradoja —servir al cliente incluso perdiendo su atenci´ on inmediata— gener´ o una lealtad y un boca a boca que ning´ un presupuesto publicitario pudo comprar. El a˜ no 2000 marc´ o un hito cuantitativo: Google procesaba ya m´ as de 100 millones de b´ usquedas diarias, un volumen que superaba a la mayor´ ıa de sus competidores. Sin embargo, el verdadero punto de inflexi´ on comercial lleg´ o con la introducci´ on de AdWords, lanzado en octubre de 2000. Este sistema de publicidad contextual permit´ ıa a los anunciantes pujar por palabras clave y mostrar peque˜ nos textos patrocinados junto a los resultados org´ anicos, pero con una diferenciaci´ on visual clara (fondo ligeramente sombreado y la etiqueta “Anuncio”). El modelo de pago por clic (PPC) garantizaba que los anunciantes solo pagaran cuando un usuario realmente mostrara inter´ es, y la relevancia se basaba no solo en la puja econ´ omica sino tambi´ en en la calidad del anuncio y la p´ agina de destino. Este enfoque, denominado “subasta de segundo precio”, fue revolucionario: alineaba los incentivos de Google, los anunciantes y los usuarios de manera virtuosa. Google pod´ ıa ofrecer la b´ usqueda gratis a los usuarios mientras generaba enormes ingresos publicitarios, que en 2001 ya superaban los 80 millones de d´ olares anuales. Para 2004, al momento de su salida a bolsa, los ingresos publicitarios de Google superaban los 3.000 millones de d´ olares, y su cuota de mercado de b´ usquedas en Estados Abraham Zamudio 6 PIT: Python Basico

Sesion 1 Unidos rondaba el 35 %, desplazando a Yahoo!
del primer puesto. La diversificaci´ on de servicios a partir de 2004 transform´ o a Google de un mero motor de b´ usqueda en un ecosistema digital integral. El lanzamiento de Gmail el 1 de abril de 2004 (con una capacidad de 1 GB, 500 veces superior a la de Hotmail y Yahoo! Mail, y una estrategia de invitaciones que gener´ o escasez artificial y deseo viral) redefini´ o el correo web. Google Maps, presentado en febrero de 2005, combin´ o im´ agenes satelitales, mapas vectoriales y la posibilidad de arrastrar el mapa sin recargar la p´ agina (una innovaci´ on t´ ecnica gracias al uso de AJAX, que luego se convertir´ ıa en la base de muchas aplicaciones web modernas). Google Chrome, lanzado en 2008 como un navegador de c´ odigo abierto (basado en el proyecto Chromium), introdujo un dise˜ no minimalista, pesta˜ nas aisladas en procesos independientes para mayor estabilidad y un motor de JavaScript ultrarr´ apido (V8) que permiti´ o aplicaciones web complejas como Google Docs o Gmail funcionar casi con la fluidez de un software de escritorio. Android, adquirido por Google en 2005 por unos 50 millones de d´ olares y lanzado oficialmente en 2008, se convirti´ o en el sistema operativo m´ ovil m´ as utilizado del mundo, presente en m´ as del 70 % de los tel´ efonos inteligentes a partir de 2012. YouTube, comprado en 2006 por 1.650 millones de d´ olares en acciones, pas´ o de ser un sitio de videos caseros a la segunda plataforma de b´ usqueda m´ as grande del mundo, superada solo por el propio Google. Cada una de estas adquisiciones y desarrollos internos respond´ ıa a una l´ ogica estrat´ egica: extender el alcance del ecosistema de Google m´ as all´ a de la p´ agina de b´ usqueda, capturar datos de usuario para mejorar los algoritmos de personalizaci´ on y publicidad, y construir barreras de entrada para competidores potenciales. Sin embargo, el creciente tama˜ no y complejidad del conglomerado empezaron a generar problemas de gobernanza, conflictos de intereses y una presi´ on financiera para que las divisiones experimentales justificaran sus inversiones. Larry Page y Sergey Brin, que hab´ ıan recuperado el control ejecutivo en 2011 (despu´ es de un breve interregno de Eric Schmidt como CEO), concibieron una reestructuraci´ on radical que se materializ´ o el 2 de octubre de 2015: la creaci´ on de Alphabet Inc. como nueva empresa matriz. Bajo esta arquitectura corporativa, Google qued´ o reducido a una subsidiaria que engloba los negocios centrales y maduros: b´ usqueda, publicidad, Android, YouTube, Chrome, Google Maps, Google Cloud y los servicios de hardware como Pixel y Nest. El resto de las antiguas “otras apuestas” (other bets) se convirtieron en compa˜ n´ ıas independientes, cada una con su propio CEO, balance y cultura. Entre ellas destacaban: Waymo (veh´ ıculos aut´ onomos, surgido del proyecto de coche sin conductor de Google), Verily (ciencias de la vida y dispositivos m´ edicos), Calico (investigaci´ on sobre longevidad y enfermedades relacionadas con el envejecimiento), X (el laboratorio de “lunares”, responsable de proyectos como Loon —globos de internet— o Makani —cometas generadoras de energ´ ıa e´ olica—), Google Fiber (fibra ´ optica de alta velocidad), y GV (antiguo Google Ventures) y CapitalG (fondos de inversi´ on). La estructura tipo holding permiti´ o una mayor transparencia financiera, ya que Alphabet comenz´ o a reportar los ingresos y p´ erdidas de cada “apuesta” por separado. Tambi´ en proporcion´ o autonom´ ıa para que los l´ ıderes de estos proyectos tomaran decisiones r´ apidas sin pasar por las pesadas capas burocr´ aticas de Google. Adem´ as, proteg´ ıa la marca Google de posibles fracasos o controversias en ´ areas altamente reguladas como la salud o la conducci´ on aut´ onoma. La reacci´ on del mercado fue inicialmente positiva: las acciones de Alphabet (NASDAQ: GOOGL) subieron tras el anuncio, y el fundador de Microsoft, Bill Gates, calific´ o la movida Abraham Zamudio 7 PIT: Python Basico

Sesion 1 como “inteligente y oportuna”. Sin embargo, con el
paso de los a˜ nos, varias de esas “apuestas” resultaron ser sumideros de capital. Loon fue cerrado en 2021, Makani en 2020, y otros proyectos como el robot Atlas de Boston Dynamics fueron vendidos (a SoftBank y luego a Hyundai). Waymo, a pesar de ser el l´ ıder tecnol´ ogico en conducci´ on aut´ onoma, sigue sin generar beneficios significativos y ha sufrido m´ ultiples retrasos en su despliegue comercial. Solo la nube de Google (Google Cloud) comenz´ o a reportar ganancias operativas de forma consistente a partir de 2023. Aun as´ ı, la estructura de Alphabet ha demostrado ser resiliente, permitiendo que los enormes flujos de efectivo de la publicidad de Google (m´ as de 237.000 millones de d´ olares en ingresos en 2023) se reinviertan en proyectos de largo plazo sin poner en peligro la rentabilidad del conjunto. En la actualidad, estudiar a Google implica necesariamente comprender a Alphabet, porque la empresa matriz es el verdadero veh´ ıculo de las ambiciones tecnol´ ogicas que definir´ an las pr´ oximas d´ ecadas. Mientras que Google se ocupa de la econom´ ıa de la atenci´ on y la organizaci´ on de la informaci´ on existente, Alphabet apuesta por la inteligencia artificial generativa (con DeepMind y Google Brain fusionados en Google DeepMind), la computaci´ on cu´ antica, la rob´ otica, las ciudades inteligentes (a trav´ es de Sidewalk Labs —aunque este proyecto enfrent´ o fuertes cr´ ıticas y fue reducido significativamente—), y la biotecnolog´ ıa. El antiguo lema “No seas malvado” (Don’t be evil), que fue reemplazado en el c´ odigo de conducta de Alphabet por el m´ as as´ eptico “Haz lo correcto”, refleja una evoluci´ on corporativa que ha pasado de la inocencia idealista de los noventa a una pragm´ atica realidad de poder global. As´ ı, el surgimiento de Google como actor tecnol´ ogico global no se detuvo en 1998 ni en 2004; alcanz´ o una nueva fase con la creaci´ on de Alphabet en 2015, y contin´ ua desarroll´ andose en cada centro de datos, cada patente de aprendizaje autom´ atico y cada controversia sobre privacidad. Para entender el futuro de la sociedad digital, es indispensable analizar no solo lo que Google hace hoy, sino lo que Alphabet est´ a construyendo para ma˜ nana. 1.3. Objetivos del art´ ıculo El presente art´ ıculo tiene como objetivo general analizar el impacto multifac´ etico de Alphabet (la empresa detr´ as de Google) en la sociedad moderna, desde su origen hasta sus proyecciones futuras. Espec´ ıficamente, se busca: (1) describir la evoluci´ on hist´ orica de Google y la creaci´ on de Alphabet, destacando sus hitos fundacionales; (2) evaluar c´ omo los productos y servicios del conglomerado han democratizado el acceso a la informaci´ on, transformado la educaci´ on, la comunicaci´ on cotidiana y la econom´ ıa digital; (3) identificar las innovaciones tecnol´ ogicas impulsadas por Alphabet en inteligencia artificial, computaci´ on en la nube y big data; (4) examinar las controversias ´ eticas y legales relacionadas con la privacidad, el monopolio y los sesgos algor´ ıtmicos; y (5) reflexionar sobre los retos y oportunidades que la compa˜ n´ ıa plantea para el futuro de la sociedad. Al cumplir estos objetivos, se pretende ofrecer una visi´ on integral y cr´ ıtica que trascienda el an´ alisis superficial, aportando elementos para un debate informado sobre el rol de las grandes tecnol´ ogicas en la vida contempor´ anea. Abraham Zamudio 8 PIT: Python Basico

Sesion 1 1.4. Metodolog´ ıa y enfoque de an´ alisis
Para alcanzar los objetivos planteados, este art´ ıculo adopta un enfoque cualitativo basado en la revisi´ on sistem´ atica de fuentes documentales. Se utilizan informes financieros y memorias anuales de Alphabet Inc., publicaciones acad´ emicas indexadas en bases de datos como Scopus y Google Scholar, art´ ıculos de prensa especializada (The Verge, Wired, MIT Technology Review), as´ ı como documentos oficiales de organismos reguladores (Comisi´ on Europea, FTC). El an´ alisis se estructura en torno a cinco ejes tem´ aticos: hist´ orico-evolutivo, socioeducativo, econ´ omico, tecnol´ ogico y ´ etico-legal. Cada secci´ on combina datos emp´ ıricos (estad´ ısticas de uso, cuotas de mercado, inversiones en I+D) con interpretaci´ on cr´ ıtica, contrastando los beneficios declarados por la empresa con las cr´ ıticas de acad´ emicos y defensores de la privacidad. Adem´ as, se incorporan estudios de caso representativos, como la implementaci´ on de Google Classroom en sistemas educativos o las controversias sobre el proyecto Sidewalk Labs en Toronto. El art´ ıculo no pretende ser un an´ alisis exhaustivo de todas las subsidiarias de Alphabet (Waymo, Verily, Calico, etc.), sino que se centra en aquellas con mayor impacto social directo, especialmente Google y YouTube. La redacci´ on sigue una estructura clara y progresiva, facilitando la comprensi´ on tanto para especialistas como para lectores interesados en la intersecci´ on entre tecnolog´ ıa y sociedad. 2. Origen y Evoluci´ on de Google 2.1. Fundaci´ on de Google y visi´ on inicial La historia oficial de Google comienza en septiembre de 1998, pero sus ra´ ıces se hunden en un proyecto de investigaci´ on universitario dos a˜ nos antes. Larry Page y Sergey Brin, entonces estudiantes de doctorado en ciencias de la computaci´ on en la Universidad de Stanford, compart´ ıan una hip´ otesis audaz: la inmensa red de hiperv´ ınculos que constitu´ ıa la World Wide Web pod´ ıa ser analizada matem´ aticamente para determinar la relevancia y autoridad de cada p´ agina. Este enfoque, que denominaron PageRank, fue el germen tecnol´ ogico de Google. La visi´ on inicial de la empresa qued´ o magistralmente resumida en el documento “The Anatomy of a Large-Scale Hypertextual Web Search Engine”, publicado por Page y Brin en 1998, donde delineaban los principios de un motor de b´ usqueda que no solo devolviera resultados, sino que los ordenara por importancia intr´ ınseca. La misi´ on fundacional, “organizar la informaci´ on mundial y hacerla universalmente accesible y ´ util”, no era una frase vac´ ıa de marketing, sino un objetivo ambicioso que gui´ o cada decisi´ on temprana: desde rechazar la inclusi´ on de banners publicitarios en la p´ agina de inicio hasta mantener una interfaz limpia y r´ apida. La financiaci´ on inicial fue modesta: adem´ as de los 100.000 d´ olares de Andy Bechtolsheim, los fundadores recurrieron a ahorros personales, tarjetas de cr´ edito y pr´ estamos familiares. El garaje de Susan Wojcicki (que a˜ nos despu´ es ser´ ıa CEO de YouTube) en Menlo Park se convirti´ o en el primer centro de operaciones, mientras que el hardware consist´ ıa en servidores ensamblados con piezas de Lego para abaratar costes. Este origen casi artesanal contrasta con la inmensa infraestructura actual, pero ya conten´ ıa los elementos que definir´ ıan el ´ exito posterior: rigor algor´ ıtmico, obsesi´ on por la experiencia del usuario y una fe inquebrantable en el poder de los datos. Abraham Zamudio 9 PIT: Python Basico

Sesion 1 2.2. Los fundadores: Larry Page y Sergey Brin
Larry Page (nacido en 1973 en Michigan) y Sergey Brin (nacido en 1973 en Mosc´ u, emigrado a Estados Unidos a los seis a˜ nos) representan un arquetipo del fundador tecnol´ ogico del cambio de milenio: formados en universidades de ´ elite, con padres acad´ emicos (ambos profesores de inform´ atica y matem´ aticas), y con una mezcla de habilidades t´ ecnicas y visi´ on comercial. Page aportaba una obsesi´ on por los grandes problemas de ingenier´ ıa y una perspectiva casi filos´ ofica sobre la informaci´ on; Brin aportaba una mente anal´ ıtica para las matem´ aticas aplicadas y un temperamento irreverente que impregn´ o la cultura corporativa temprana (incluyendo las famosas reuniones TGIF —Thank God It’s Friday— donde cualquier empleado pod´ ıa interpelar a los fundadores). Juntos, formaron una sociedad complementaria que a menudo se comparaba con la dupla Steve Jobs-Steve Wozniak, aunque Page y Brin compart´ ıan de manera m´ as equitativa tanto el liderazgo t´ ecnico como el estrat´ egico. Durante la primera d´ ecada de Google, ocuparon los cargos de presidente de productos (Page) y presidente de tecnolog´ ıa (Brin), mientras que contrataron a Eric Schmidt como CEO experimentado para aportar disciplina empresarial. Su estilo de gesti´ on inclu´ ıa pr´ acticas poco convencionales como el “20 % de tiempo” (los ingenieros pod´ ıan dedicar un d´ ıa a la semana a proyectos personales, lo que gener´ o innovaciones como Gmail o AdSense) y las reuniones de “c´ ırculo de pares” para decisiones estrat´ egicas. Aunque en 2019 ambos cedieron el control operativo diario al actual CEO de Alphabet, Sundar Pichai, contin´ uan siendo accionistas mayoritarios con derecho a voto gracias a la estructura de acciones de clases m´ ultiples (Clase B con 10 votos por acci´ on). Su influencia perdura en las grandes apuestas de Alphabet, como los veh´ ıculos aut´ onomos (Waymo) y los proyectos de longevidad (Calico). La biograf´ ıa de los fundadores es inseparable del ascenso de Google, pues su combinaci´ on de idealismo tecnol´ ogico y pragmatismo comercial molde´ o la cultura corporativa desde el garaje hasta la capitalizaci´ on burs´ atil que en 2024 super´ o los dos billones de d´ olares. 2.3. Desarrollo del motor de b´ usqueda El desarrollo del motor de b´ usqueda de Google no fue un evento ´ unico, sino una evoluci´ on continua de algoritmos, infraestructura y experiencia de usuario que comenz´ o en los laboratorios de Stanford y contin´ ua hasta hoy. Comprender esta trayectoria implica adentrarse en los fundamentos de la ingenier´ ıa de sistemas distribuidos, la recuperaci´ on de informaci´ on y, m´ as recientemente, el aprendizaje autom´ atico a gran escala. Lejos de la imagen simplista de una caja de texto m´ agica, el motor de b´ usqueda de Google es un conjunto de servicios interconectados que opera sobre una de las infraestructuras inform´ aticas m´ as complejas jam´ as construidas. De BackRub a PageRank: los fundamentos algor´ ıtmicos El prototipo original, denominado BackRub (1996), funcionaba sobre la red inform´ atica de la Universidad de Stanford y representaba una tesis de investigaci´ on sobre la estructura de grafos de la web. Larry Page y Sergey Brin desarrollaron un robot (crawler) que recorr´ ıa las p´ aginas y almacenaba tanto su contenido como los enlaces salientes y entrantes. BackRub index´ o aproximadamente 24 millones de p´ aginas —una cifra modesta para los est´ andares actuales, pero colosal para una investigaci´ on estudiantil en la d´ ecada de 1990— y su principal Abraham Zamudio 10 PIT: Python Basico

Sesion 1 contribuci´ on fue reconocer que los hiperv´ ınculos
contienen informaci´ on sem´ antica impl´ ıcita: un enlace desde la p´ agina A hacia la p´ agina B puede interpretarse como un voto de confianza o una referencia de autoridad. El algoritmo PageRank formaliz´ o esta intuici´ on mediante un modelo matem´ atico de cadena de Markov. Cada p´ agina web se representa como un nodo en un grafo dirigido, y los enlaces son las aristas. PageRank asigna a cada p´ agina una probabilidad estacionaria que representa la probabilidad de que un navegante aleatorio (random surfer), que salta de una p´ agina a otra siguiendo enlaces (con una probabilidad de teleportaci´ on para evitar nodos sumideros), termine en esa p´ agina tras un n´ umero grande de pasos. Formalmente, el PageRank PR(pi ) de una p´ agina pi se define como: PR(pi ) = 1 − d N + d pj∈M(pi) PR(pj ) L(pj ) donde N es el n´ umero total de p´ aginas, d es el factor de amortiguamiento (t´ ıpicamente 0.85), M(pi ) es el conjunto de p´ aginas que enlazan a pi , y L(pj ) es el n´ umero de enlaces salientes de pj . Este c´ alculo iterativo requiere resolver un sistema de ecuaciones lineales de tama˜ no N × N, lo cual es inviable para N del orden de miles de millones. Por ello, Page y Brin implementaron una aproximaci´ on mediante el m´ etodo de la potencia, que converge en decenas de iteraciones. El PageRank no era el ´ unico factor de ranking, pero proporcion´ o una base robusta que resist´ ıa el spam de palabras clave (keyword stuffing), porque comprar enlaces o crear granjas de enlaces resultaba m´ as costoso que manipular el texto de una p´ agina. Infraestructura distribuida: Google File System, Bigtable y MapReduce Para ejecutar PageRank sobre la web real (creciente a ritmo exponencial), Google necesitaba una arquitectura de c´ omputo distribuido que pudiera manejar fallos de hardware como algo normal. En lugar de adquirir supercomputadoras especializadas, los fundadores optaron por construir cl´ usteres con servidores de bajo coste (hardware commodity). Los resultados de esta investigaci´ on se plasmaron en tres hitos fundamentales: el Google File System (GFS), Bigtable y MapReduce. GFS, descrito en un art´ ıculo seminal de 2003, es un sistema de archivos distribuido optimizado para archivos enormes (cientos de gigabytes o terabytes) y operaciones de lectura secuencial. Divide cada archivo en fragmentos (chunks) de 64 MB replicados en al menos tres nodos diferentes, lo que proporciona tolerancia a fallos. Bigtable, presentado en 2004, es una base de datos NoSQL que almacena datos estructurados en forma de mapas ordenados distribuidos, clave-valor. Sobre esta base se construyeron el ´ ındice invertido de la b´ usqueda web, el almac´ en de historial de Gmail y los contadores de AdWords. MapReduce, detallado en 2004, es un modelo de programaci´ on para procesar grandes conjuntos de datos en paralelo. La fase Map toma una entrada clave-valor y genera pares intermedios; la fase Reduce agrupa esos pares y produce el resultado final. Un ejemplo t´ ıpico es contar palabras en todos los documentos indexados: la funci´ on Map emite (palabra, 1) para cada aparici´ on, y la funci´ on Reduce suma los unos por cada palabra. Este modelo escondi´ o la complejidad de la distribuci´ on, el balanceo de carga y la recuperaci´ on de fallos, permitiendo que ingenieros sin formaci´ on en sistemas paralelos escribieran programas que se ejecutaban sobre miles de m´ aquinas. Abraham Zamudio 11 PIT: Python Basico

Sesion 1 Crawling e indexaci´ on a escala planetaria El
motor de b´ usqueda consta de tres etapas principales: crawling (rastreo), indexaci´ on y ranking. El rastreador (Googlebot) comienza con una lista semillas de URLs y descubre nuevos enlaces recursivamente. Para priorizar qu´ e p´ aginas rastrear y con qu´ e frecuencia, Google utiliza algoritmos de programaci´ on de rastreo que consideran la frecuencia de cambio estimada (por ejemplo, sitios de noticias se rastrean cada pocos minutos, mientras que blogs personales pueden ser semanales) y la importancia de la p´ agina (aproximada por PageRank). El rastreador respeta el protocolo robots.txt y las metaetiquetas de exclusi´ on. Una vez descargada una p´ agina, el indexador la parsea para extraer texto, enlaces, metadatos y marcado estructurado (Schema.org). El ´ ındice invertido es la estructura central: un mapeo de cada t´ ermino (palabra, frase o n-grama) a la lista de documentos que lo contienen, junto con informaci´ on posicional (para soportar b´ usqueda por frases exactas). Google fue pionero en almacenar no solo la frecuencia del t´ ermino, sino tambi´ en su proximidad a otros t´ erminos, el formato (negrita, encabezado) y la posici´ on en el DOM. El ´ ındice se particiona en segmentos (shards) distribuidos en miles de servidores para permitir consultas paralelas. Evoluci´ on del ranking: m´ as all´ a de PageRank Aunque PageRank fue el cimiento, Google introdujo cientos de modificaciones y se˜ nales de ranking a lo largo de dos d´ ecadas. En 2003, la actualizaci´ on “Florida” afect´ o dr´ asticamente a sitios que usaban t´ ecnicas de sobreoptimizaci´ on SEO (keyword stuffing, metaetiquetas excesivas). En 2005, se introdujo el nofollow para enlaces de comentarios y publicidad, permitiendo que los webmasters indicaran que un enlace no deber´ ıa pasar PageRank. En 2010, Google anunci´ o que la velocidad de carga de la p´ agina (Core Web Vitals, m´ as tarde) ser´ ıa un factor de ranking en dispositivos m´ oviles. La actualizaci´ on “Caffeine” (2010) reemplaz´ o la infraestructura de indexaci´ on por un sistema de b´ usqueda en tiempo real (real-time indexing), reduciendo la latencia entre la publicaci´ on de una p´ agina y su disponibilidad en los resultados de b´ usqueda de minutos a segundos. El cambio m´ as disruptivo fue la introducci´ on del algoritmo “Hummingbird” (2013), que reinterpret´ o el modelo de recuperaci´ on para dar paso a la b´ usqueda sem´ antica y conversacional. En lugar de tratar la consulta como una bolsa de palabras, Hummingbird utiliza el procesamiento del lenguaje natural para comprender la intenci´ on detr´ as de frases completas, especialmente ´ util para consultas largas de cola larga. Por ejemplo, “¿cu´ al es la distancia desde la Tierra hasta la Luna en kil´ ometros?” se interpreta como una solicitud de un valor num´ erico, no como una lista de documentos que contienen esas palabras. La era del aprendizaje autom´ atico: RankBrain, BERT y MUM Desde 2015, Google incorpor´ o el aprendizaje profundo en el n´ ucleo de su ranking. RankBrain fue el primer sistema basado en redes neuronales profundas (embeddings) para interpretar consultas nunca antes vistas. Representa palabras y frases como vectores de alta dimensi´ on (cientos de dimensiones) donde t´ erminos sem´ anticamente cercanos (por ejemplo, “perro” y “canino”) tienen vectores pr´ oximos. RankBrain resuelve la ambig¨ uedad y generaliza a consultas raras utilizando similitud de coseno en el espacio de embeddings. En 2019, se introdujo BERT (Bidirectional Encoder Representations from Transformers), un modelo de Abraham Zamudio 12 PIT: Python Basico

Sesion 1 lenguaje preentrenado que entiende el contexto de las
palabras en ambas direcciones. BERT es especialmente efectivo para preposiciones y peque˜ nas palabras que cambian el significado de toda la frase (por ejemplo, “para un extranjero en Brasil” vs “para un brasile˜ no en el extranjero”). La implementaci´ on de BERT a escala (miles de millones de consultas diarias) requiri´ o la optimizaci´ on de modelos comprimidos (DistilBERT) y ejecuci´ on en TPUs (Tensor Processing Units). El ´ ultimo gran avance es MUM (Multitask Unified Model), anunciado en 2021, que es 1000 veces m´ as potente que BERT y multimodal: puede comprender y generar texto, im´ agenes y videos. MUM es capaz de responder consultas complejas que requieren combinar informaci´ on de diferentes formatos y fuentes, como “he caminado por el monte Rainier el a˜ no pasado, ¿qu´ e ruta en el lago Louise me recomendar´ ıas para un paisaje similar?”. MUM extrae caracter´ ısticas visuales de fotos del Monte Rainier, las compara con im´ agenes del lago Louise, lee gu´ ıas de senderismo y genera una respuesta textual con contexto. Antispam: las guerras del webspam A medida que el SEO creci´ o como industria, tambi´ en lo hizo el spam web. Google respondi´ o con actualizaciones algor´ ıtmicas dise˜ nadas para degradar o penalizar pr´ acticas abusivas. Panda (2011) atac´ o los “granjas de contenido” (content farms) y sitios con poco valor agregado (texto superficial, publicidad excesiva, relaciones texto-publicidad desbalanceadas). Panda eval´ ua la calidad percibida de sitios enteros mediante m´ etricas como la tasa de rebote, el tiempo de permanencia y la cantidad de p´ aginas de baja calidad en el mismo dominio. Penguin (2012) se centr´ o en el spam de enlaces: granjas de enlaces, enlaces pagados y directorios de baja calidad. Penguin dej´ o de ignorar esos enlaces y comenz´ o a penalizarlos, descontando el PageRank de las p´ aginas que los recib´ ıan. Para sitios que violaban flagrantemente las directrices, Google aplicaba acciones manuales (penalizaci´ on humana) notificadas a trav´ es de Search Console. Con el tiempo, estos sistemas se volvieron continuos e integrados en el ranking en tiempo real, en lugar de actualizaciones peri´ odicas. Adem´ as, Google desarroll´ o tecnolog´ ıas de detecci´ on de cloaking (mostrar contenido diferente al robot y al usuario), redireccionamientos enga˜ nosos y hacking de sitios leg´ ıtimos para inyectar spam. La experiencia del usuario: caracter´ ısticas de la p´ agina de resultados Los resultados de b´ usqueda (SERP) pasaron de una lista azul de enlaces a un rico ecosistema de componentes. El corrector ortogr´ afico “Quiz´ as quisiste decir. . . ” (2002) utilizaba distancias de edici´ on y modelos de lenguaje para sugerir consultas alternativas. Google Suggest (2004) implement´ o autocompletado predictivo basado en la frecuencia global de consultas y la personalizaci´ on del usuario (m´ as tarde se a˜ nadi´ o el historial de b´ usquedas). Los fragmentos enriquecidos (rich snippets) muestran calificaciones de estrellas, precios, disponibilidad y otros datos estructurados. Los paneles de conocimiento (Knowledge Graph, 2012) extraen entidades del mundo real (personas, lugares, organizaciones) y sus relaciones de fuentes como Wikipedia, CIA World Factbook y datos de comercio electr´ onico. Para consultas f´ acticas, Google muestra un cuadro de respuesta directa (featured snippet) en la parte superior, extrayendo el texto m´ as relevante de una p´ agina. La b´ usqueda por voz (2012) y la b´ usqueda por imagen (Google Lens) a˜ nadieron nuevas modalidades de entrada. La indexaci´ on m´ ovil-first (2016) significa que Google utiliza predominantemente la versi´ on m´ ovil de una p´ agina para evaluar su relevancia Abraham Zamudio 13 PIT: Python Basico

Sesion 1 y rango, dado que la mayor´ ıa de
las consultas provienen de dispositivos m´ oviles. Infraestructura de centros de datos y latencia Para responder a cada consulta en menos de 200 milisegundos (el est´ andar de Google), la arquitectura debe estar hiperoptimizada. Los centros de datos de Google est´ an repartidos en cuatro continentes, con interconexiones de fibra ´ optica de alta capacidad. Cada consulta llega a un balanceador de carga global que la dirige al centro de datos geogr´ aficamente m´ as cercano con capacidad disponible. Dentro del centro de datos, miles de servidores trabajan en paralelo: un servidor de front-end parsea la consulta, aplica correcci´ on ortogr´ afica y expansi´ on de sin´ onimos; luego se consultan los servidores de ´ ındice que devuelven conjuntos de documentos candidatos; una etapa de ranking combina cientos de se˜ nales (PageRank, frescura, relevancia sem´ antica, personalizaci´ on) usando modelos de aprendizaje autom´ atico en tiempo real (por ejemplo, modelos de bosques aleatorios o redes neuronales). Finalmente, la lista de resultados se postprocesa (eliminaci´ on de duplicados, aplicaci´ on de restricciones legales, inserci´ on de anuncios) y se env´ ıa al usuario. Este complejo orquestaci´ on ocurre en mil´ esimas de segundo. El futuro: b´ usqueda multimodal y generativa Con la irrupci´ on de los grandes modelos de lenguaje (LLM) como LaMDA, PaLM y Gemini, Google est´ a integrando capacidades generativas directamente en la b´ usqueda. La B´ usqueda Generativa (SGE —Search Generative Experience) sintetiza respuestas completas en lenguaje natural, citando fuentes y permitiendo preguntas de seguimiento. Esto representa un cambio paradigm´ atico: de recuperar documentos a generar respuestas compuestas a partir de m´ ultiples fragmentos. Sin embargo, los desaf´ ıos persisten: la alucinaci´ on de los LLM (inventar hechos), la verificaci´ on de la exactitud, y la preservaci´ on de los incentivos econ´ omicos para los editores de contenido original. A pesar de dos d´ ecadas de innovaci´ on continua, el motor de b´ usqueda de Google sigue siendo un campo de investigaci´ on activo, donde cada mejora marginal debe probarse mediante experimentos A/B a escala de miles de millones de consultas antes de su implementaci´ on definitiva. En resumen, el desarrollo del motor de b´ usqueda de Google es una historia de ingenier´ ıa de sistemas a escala planetaria, que ha ido incorporando progresivamente el aprendizaje autom´ atico y la comprensi´ on sem´ antica sin perder de vista la experiencia del usuario. Lo que comenz´ o como un algoritmo de grafos en una universidad californiana se ha convertido en una de las infraestructuras tecnol´ ogicas m´ as complejas y valiosas de la humanidad, a la que recurren miles de millones de personas cada d´ ıa para navegar por el oc´ eano de informaci´ on digital. 2.4. Expansi´ on de servicios y productos digitales A partir de 2004, Google inici´ o una fase de expansi´ on agresiva m´ as all´ a del motor de b´ usqueda, transform´ andose en un conglomerado de servicios digitales que cubren casi todos los aspectos de la vida en l´ ınea. Esta estrategia respond´ ıa a tres objetivos: aumentar el tiempo que los usuarios pasan dentro del ecosistema Google, recopilar datos de comportamiento para mejorar la segmentaci´ on publicitaria y diversificar las fuentes de ingresos. El lanzamiento de Gmail en Abraham Zamudio 14 PIT: Python Basico

Sesion 1 2004 redefini´ o el correo web con capacidad
masiva de almacenamiento, b´ usqueda instant´ anea dentro del correo y conversaciones en hilo. Google Maps (2005) introdujo la navegaci´ on con arrastre continuo, vista sat´ elite y posteriormente Street View, cambiando para siempre la forma en que las personas exploran territorios desconocidos. La adquisici´ on de Android en 2005 por 50 millones de d´ olares result´ o ser una de las jugadas m´ as estrat´ egicas: al ofrecer el sistema operativo gratuitamente a fabricantes, Google rompi´ o el dominio de Apple y Nokia, creando una plataforma que hoy activa m´ as de 3.000 millones de dispositivos. La compra de YouTube por 1.650 millones de d´ olares en 2006 anticip´ o el auge del v´ ıdeo online y cre´ o la segunda plataforma de b´ usqueda m´ as grande del mundo. Google Chrome (2008) no solo fue un navegador, sino una base para aplicaciones web complejas y un vector para impulsar los est´ andares web modernos. Google Drive (2012), Google Docs, Sheets y Slides consolidaron la suite de oficina en la nube, compitiendo directamente con Microsoft Office. A esta lista se suman Google Translate (2006), Google News, Google Fi, Google Stadia (cerrado posteriormente), Google Pixel (hardware), Google Nest (hogar inteligente) y decenas de servicios m´ as. Cada expansi´ on gener´ o sinergias: el inicio de sesi´ on ´ unico de Google unifica todos estos productos, y los datos de Maps mejoran la precisi´ on de las b´ usquedas locales, mientras que los patrones de uso de YouTube informan los algoritmos de recomendaci´ on de v´ ıdeos. Esta estrategia de ecosistema cerrado pero aparentemente abierto ha sido criticada por pr´ acticas anticompetitivas, pero es innegable que transform´ o a Google en un actor ubicuo sin el cual la rutina digital de miles de millones de personas ser´ ıa irreconocible. 2.5. Creaci´ on de Alphabet como empresa matriz El 2 de octubre de 2015, Larry Page, cofundador y entonces director ejecutivo de Google, public´ o una carta fundacional titulada “G is for Google” en el blog oficial de la compa˜ n´ ıa, anunciando la creaci´ on de Alphabet Inc. Esta nueva estructura corporativa no fue una simple renombramiento ni una maniobra contable, sino una reorganizaci´ on profunda que reflejaba el crecimiento org´ anico y las adquisiciones de Google durante casi dos d´ ecadas. Para comprender la magnitud del cambio, es necesario analizar las disfuncionalidades del modelo anterior, las presiones externas de los inversores, las complejidades internas de la gesti´ on de la innovaci´ on y la necesidad de separar los negocios maduros (generadores de efectivo) de las “apuestas” especulativas (de largo plazo y alto riesgo). La creaci´ on de Alphabet representa un caso de estudio en gobernanza corporativa para empresas tecnol´ ogicas que han trascendido su mercado original. El modelo anterior: Google como contenedor ´ unico Antes de 2015, Google Inc. era una ´ unica entidad legal que abarcaba tanto el motor de b´ usqueda, la publicidad, Android, YouTube, como proyectos experimentales como Google X (el laboratorio de “lunares”, moonshots), Google Fiber, Calico (longevidad), y las inversiones de Google Ventures y Google Capital. Esta estructura ten´ ıa or´ ıgenes hist´ oricos comprensibles: durante la etapa de crecimiento acelerado (2004-2012), la prioridad era la velocidad y la integraci´ on. Los equipos pod´ ıan compartir infraestructura (centros de datos, sistemas de autenticaci´ on, plataformas de machine learning) y los datos flu´ ıan entre productos para mejorar la personalizaci´ on y la publicidad. Sin embargo, para 2013-2014, Google Inc. hab´ ıa Abraham Zamudio 15 PIT: Python Basico

Sesion 1 alcanzado una capitalizaci´ on burs´ atil de m´
as de 400 mil millones de d´ olares y m´ as de 50.000 empleados. La heterogeneidad de sus negocios comenz´ o a generar tensiones insostenibles. En primer lugar, los inversores institucionales y los analistas financieros se quejaban de la falta de transparencia. En las declaraciones de resultados trimestrales, Google reportaba una ´ unica l´ ınea de “ingresos” y “gastos de I+D”, sin desglosar el rendimiento de proyectos como Fiber (que requer´ ıan enormes inversiones en infraestructura f´ ısica) o Calico (que no generaba ingresos y cuyos resultados cient´ ıficos eran de muy largo plazo). Como resultado, era imposible calcular el retorno sobre la inversi´ on (ROI) de cada unidad. Algunos accionistas comenzaron a presionar para que Google escindiera (spin-off) sus negocios no rentables, argumentando que las “apuestas” estaban destruyendo valor al no estar sujetas a la disciplina del mercado. En segundo lugar, exist´ ıan fricciones internas de gesti´ on. Los l´ ıderes de proyectos experimentales (como Astro Teller, capit´ an de Google X) sent´ ıan que la burocracia y los procesos de revisi´ on anual de objetivos (OKRs) estaban dise˜ nados para negocios maduros, no para ideas radicales que podr´ ıan tardar una d´ ecada en fructificar o fracasar estrepitosamente. Por ejemplo, el proyecto Loon (globos estratosf´ ericos para proveer internet) requer´ ıa colaboraciones con gobiernos y regulaciones aeron´ auticas, algo muy distinto a lanzar una nueva funci´ on en Gmail. Adem´ as, el sistema de compensaci´ on (bonificaciones y stock options) ligaba la recompensa al rendimiento general de Google, lo que desincentivaba a los talentos m´ as audaces que quer´ ıan apostar su carrera a un moonshot. Tambi´ en surg´ ıan conflictos culturales: los ingenieros de b´ usqueda valoraban la precisi´ on y la escala, mientras que los bi´ ologos de Calico valoraban la precisi´ on experimental y los ciclos largos de investigaci´ on. El anuncio y la arquitectura de Alphabet La soluci´ on propuesta por Page y Brin fue crear Alphabet Inc. como un holding de tipo conglomerado, similar al modelo de Berkshire Hathaway de Warren Buffett, pero adaptado a la tecnolog´ ıa. En la nueva estructura, Alphabet Inc. se convirti´ o en la empresa matriz cotizada en bolsa (NASDAQ: GOOGL, GOOG). Cada subsidiaria operar´ ıa de manera independiente, con su propio CEO, su propio consejo (en algunos casos) y su propio balance. La reestructuraci´ on se realiz´ o mediante una fusi´ on inversa (reverse merger) que no requiri´ o aprobaci´ on de los accionistas porque manten´ ıa la misma propiedad y derechos de voto. La subsidiaria m´ as importante es Google LLC, que engloba todos los negocios centrales y maduros: B´ usqueda y publicidad: Google Search, Google Ads, AdSense, Google Shopping. Sistemas operativos y plataformas: Android, Chrome OS, Google Play, Chrome. Comunicaci´ on y productividad: Gmail, Google Calendar, Google Drive, Google Docs, Google Meet. Geolocalizaci´ on: Google Maps, Google Earth, Waze. V´ ıdeo y entretenimiento: YouTube, YouTube TV, YouTube Music. Nube empresarial: Google Cloud Platform (GCP), Google Workspace. Abraham Zamudio 16 PIT: Python Basico

Sesion 1 Hardware: Pixel (tel´ efonos), Nest (hogar inteligente), Fitbit,
Chromecast, Stadia (cerrado posteriormente). Otros servicios: Google Fi (telefon´ ıa), Google News, Google Translate, Google Pay. Dentro de Google, el equipo de inteligencia artificial (Google Brain, DeepMind integrados m´ as tarde) sigui´ o operando como un centro de excelencia transversal. Las dem´ as subsidiarias, anteriormente ocultas bajo el paraguas de “otros proyectos” en los informes financieros, se convirtieron en compa˜ n´ ıas separadas: Waymo: Veh´ ıculos aut´ onomos. Nacido del proyecto “Chauffeur” de Google X, Waymo desarrolla tecnolog´ ıas de sensores (LiDAR, radar, c´ amaras), sistemas de planificaci´ on de rutas y simuladores para conducci´ on aut´ onoma de nivel 4 y 5. Es considerada la l´ ıder tecnol´ ogica del sector. Verily (anteriormente Google Life Sciences): Ciencias de la vida y dispositivos m´ edicos. Proyectos incluyen lentes de contacto para medir glucosa, plataformas de recolecci´ on de datos cl´ ınicos y colaboraciones con farmac´ euticas. Calico: Empresa dedicada a la investigaci´ on de la longevidad y enfermedades relacionadas con el envejecimiento (c´ ancer, neurodegeneraci´ on). Opera con un horizonte de 20-30 a˜ nos, financiada por Alphabet. X (anteriormente Google X): El laboratorio de “lunares” (moonshots). Es una incu- badora interna que genera proyectos que luego pueden escindirse. Entre sus creaciones est´ an Loon, Makani, Wing, Project Tango (realidad aumentada) y la m´ aquina de clasificaci´ on de robots cotidianos “Everyday Robot”. X no es una subsidiaria independiente sino una unidad dentro de Alphabet que reporta directamente a la c´ upula. Google Fiber: Proveedor de servicios de internet de alta velocidad mediante fibra ´ optica. Inicialmente ambicioso (1 Gbps sim´ etrico), enfrent´ o sobrecostos y despliegue m´ as lento que el esperado. Posteriormente redujo su alcance. Wing: Entregas con drones aut´ onomos. Obtuvo la primera certificaci´ on de aeronavegabilidad para drones de reparto en Australia y EE.UU. Sidewalk Labs: Iniciativa de ciudades inteligentes con sede en Nueva York. Su proyecto m´ as conocido fue Quayside en Toronto, cancelado en 2020 debido a controversias sobre privacidad y gobernanza de datos. Luego se reorient´ o hacia software de gesti´ on urbana. GV (antiguo Google Ventures): Fondo de capital riesgo que invierte en startups tecnol´ ogicas (etapas iniciales y de crecimiento). Independiente en sus decisiones, pero con el respaldo financiero de Alphabet. CapitalG (antiguo Google Capital): Fondo de crecimiento para empresas m´ as maduras (Series C en adelante). Tambi´ en opera con autonom´ ıa. Jigsaw (anteriormente Google Ideas): Unidad de tecnolog´ ıa aplicada a la seguridad y la geopol´ ıtica, enfocada en combatir la desinformaci´ on, proteger a periodistas y activistas, y analizar amenazas cibern´ eticas. Abraham Zamudio 17 PIT: Python Basico

Sesion 1 Ventajas estrat´ egicas y operativas La estructura de
Alphabet trajo beneficios tangibles: Transparencia financiera. Desde el cuarto trimestre de 2015, Alphabet comenz´ o a reportar en sus resultados trimestrales (formulario 10-K ante la SEC) dos segmentos: “Google” y “Other Bets”. En la categor´ ıa Other Bets se incluyen los ingresos, los gastos operativos, las p´ erdidas de explotaci´ on y los flujos de caja de cada subsidiaria (agregados). Por ejemplo, en 2019, Other Bets generaron unos ingresos de 659 millones de d´ olares, pero una p´ erdida operativa de 4.800 millones. Este nivel de detalle permiti´ o a los inversores calcular que Waymo, Verily y las dem´ as quemaban efectivo a un ritmo alto, pero tambi´ en que Google generaba m´ as de 60.000 millones de d´ olares en ingresos operativos anuales, por lo que las p´ erdidas eran asumibles. La transparencia redujo la incertidumbre y la prima de riesgo exigida por los accionistas. Autonom´ ıa de gesti´ on. Cada subsidiaria de Alphabet pas´ o a tener su propio CEO, que reporta directamente al CEO de Alphabet (Sundar Pichai desde 2019). Esto permite estructuras de compensaci´ on espec´ ıficas: por ejemplo, los ingenieros de Waymo pueden recibir opciones sobre acciones de Waymo (aunque no cotizan en bolsa independiente, existe un sistema de valoraci´ on interna), alineando sus incentivos con el ´ exito del proyecto. Adem´ as, cada subsidiaria puede contratar talento especializado (bi´ ologos moleculares en Calico, expertos en regulaci´ on aeron´ autica en Wing) sin tener que competir con los perfiles de ingenier´ ıa de software de Google. Tambi´ en se eliminan las fricciones culturales: un laboratorio de longevidad no necesita adaptarse a las m´ etricas de velocidad de lanzamiento de productos de Google. Protecci´ on de marca. Si un moonshot fracasa o se ve envuelto en una controversia ´ etica, el da˜ no reputacional queda contenido en la subsidiaria y no contamina la marca Google. Por ejemplo, el cierre de Loon en 2021 (despu´ es de a˜ nos de pruebas y acuerdos con operadores de telecomunicaciones) fue cubierto por la prensa especializada, pero el consumidor medio apenas lo not´ o. De manera similar, las controversias sobre recopilaci´ on de datos en Sidewalk Labs no afectaron la confianza en Gmail o YouTube. Esta separaci´ on es especialmente valiosa en sectores altamente regulados como la salud (Verily) o el transporte aut´ onomo (Waymo), donde un accidente o una violaci´ on de privacidad podr´ ıa tener consecuencias legales graves. Retenci´ on de talento ejecutivo. La estructura de holding permite ofrecer a l´ ıderes internos ambiciosos la oportunidad de “jugar a ser CEO” sin abandonar la organizaci´ on. Por ejemplo, la ex directora financiera de Google, Ruth Porat, fue promovida a CFO de Alphabet. Sundar Pichai, que dirig´ ıa Chrome y Android, asumi´ o la CEO de Google en 2015, y luego en 2019 tambi´ en la de Alphabet. Ejecutivos como John Krafcik (ex CEO de Waymo) o Andrew Conrad (ex CEO de Verily) aceptaron dirigir subsidiarias con autonom´ ıa significativa. Esto frena la fuga de cerebros hacia startups o competidores. Abraham Zamudio 18 PIT: Python Basico

Sesion 1 Resultados y evoluci´ on posterior (2015-2024) La reacci´
on del mercado fue inmediatamente positiva: las acciones de Google (renombradas Alphabet) subieron un 6 % en las dos semanas posteriores al anuncio, alcanzando un m´ aximo hist´ orico. A mediano plazo, la estructura demostr´ o ser resiliente, aunque no todas las “apuestas” tuvieron ´ exito. Apuestas que fracasaron o se redujeron. Loon: Cerrado en enero de 2021. A pesar de lograr transmitir internet mediante globos estratosf´ ericos en Per´ u y Kenia, el modelo de negocio no era sostenible: los costes de lanzamiento y operaci´ on eran muy elevados, y los socios de telecomunicaciones prefer´ ıan tecnolog´ ıas terrestres o sat´ elites de ´ orbita baja (Starlink). Makani: Proyecto de cometas generadoras de energ´ ıa e´ olica (energ´ ıa e´ olica de alta altitud). Fue cerrado en 2020 despu´ es de no lograr eficiencia competitiva frente a turbinas convencionales. Sidewalk Labs: El ambicioso proyecto de ciudad inteligente en Toronto (Quayside) fue cancelado en mayo de 2020 debido a la oposici´ on ciudadana sobre la recopilaci´ on de datos y la gobernanza. La compa˜ n´ ıa redujo su plantilla y se reorient´ o hacia productos de software para gesti´ on de edificios y movilidad, pero perdi´ o relevancia. Google Fiber: Despu´ es de un despliegue inicial entusiasta (Kansas City, Austin, Provo), en 2016 se congel´ o la expansi´ on y se despidi´ o al 9 % de la plantilla. Posteriormente relanz´ o servicios de menor velocidad (100 Mbps) mediante tecnolog´ ıa inal´ ambrica. Aunque sigue operando, nunca alcanz´ o la escala nacional prometida. Apuestas que sobreviven y muestran progreso. Waymo: En 2023 recibi´ o una inversi´ on externa de 2.500 millones de d´ olares (adicional a la de Alphabet), valorando la compa˜ n´ ıa en m´ as de 30.000 millones. Opera servicios de robotaxi en Phoenix (Arizona) y San Francisco (California), aunque la expansi´ on ha sido m´ as lenta de lo previsto. Sigue siendo el l´ ıder tecnol´ ogico, pero la monetizaci´ on comercial es a´ un limitada. Verily: Firm´ o acuerdos con farmac´ euticas (Novartis, Sanofi) para desarrollar plataformas de investigaci´ on de precisi´ on. Lanz´ o proyectos como “Project Baseline” (mapeo de la salud humana) y herramientas de telemedicina. No es rentable, pero los ingresos por servicios y licencias crecen a˜ no a a˜ no. Calico: En 2022, Calico ampli´ o su colaboraci´ on con AbbVie (originalmente de 2014), inyectando otros 1.000 millones de d´ olares para investigaci´ on de c´ ancer y enfermedades neurodegenerativas. Ha publicado varios art´ ıculos en revistas de alto impacto (Nature, Cell), pero a´ un no tiene terapias comercializadas. Wing: En 2023, super´ o el medio mill´ on de entregas comerciales (principalmente en Australia, Estados Unidos y Finlandia). Obtuvo la certificaci´ on de la FAA para operar Abraham Zamudio 19 PIT: Python Basico

Sesion 1 como aerol´ ınea de drones, un hito regulatorio.
Sin embargo, la escala sigue siendo modesta frente a Amazon Prime Air o Zipline. La integraci´ on de DeepMind y la inteligencia artificial. Inicialmente, DeepMind (adquirida por Google en 2014) oper´ o como una subsidiaria independiente dentro de Alphabet. Sin embargo, en abril de 2023, Alphabet anunci´ o la fusi´ on de Google Brain y DeepMind en una ´ unica unidad llamada Google DeepMind, reportando directamente a la CEO de Alphabet, Sundar Pichai. Esto refleja que, en el ´ ambito de la IA, la separaci´ on no era eficiente: ambos grupos compet´ ıan por talento y recursos, y los avances necesitaban integrarse r´ apidamente en productos de Google (b´ usqueda, asistentes, nube). El movimiento contradice la l´ ogica original de Alphabet (separaci´ on), pero muestra que la estructura es flexible. Lecciones de gobernanza corporativa La creaci´ on de Alphabet ha sido objeto de estudio en escuelas de negocios (Harvard Business School, Stanford GSB) como un experimento de gesti´ on de la innovaci´ on ambidiestra (ambi- dexterity). Por un lado, Google (la subsidiaria) explota eficientemente los negocios existentes, con procesos maduros, m´ etricas predecibles y una cultura de “ingenier´ ıa de escala”. Por otro lado, las Other Bets exploran nuevas oportunidades, con tolerancia al fracaso, horizontes de largo plazo y libertad metodol´ ogica. Alphabet act´ ua como un asignador de capital interno: el flujo de efectivo de Google se redirige hacia las apuestas con mayor potencial, pero tambi´ en se exige disciplina peri´ odica (revisiones anuales de viabilidad). Algunos cr´ ıticos se˜ nalan que la estructura no ha resuelto el problema fundamental: la mayor´ ıa de las apuestas no generan retornos que justifiquen la inversi´ on (el coste de capital de Alphabet es bajo, pero no infinito). Sin embargo, defensores argumentan que el mero hecho de poder realizar estas inversiones sin presiones trimestrales es una ventaja competitiva que empresas como Meta o Amazon no tienen en la misma medida. Conclusiones sobre la reestructuraci´ on La creaci´ on de Alphabet no fue una panacea, pero s´ ı una respuesta inteligente a la paradoja del innovador (Clayton Christensen): las empresas establecidas tienden a matar innovaciones disruptivas porque no encajan en sus procesos de asignaci´ on de recursos. Al separar la explotaci´ on de la exploraci´ on en entidades jur´ ıdicas distintas, Alphabet permiti´ o que ambas l´ ogicas coexistieran. La estructura tambi´ en mejor´ o la transparencia con los mercados financieros, reduciendo la volatilidad de las acciones. Aunque varias apuestas han fracasado o no han alcanzado el ´ exito esperado, la estrategia de Alphabet ha demostrado ser lo suficientemente robusta para sostener inversiones masivas en inteligencia artificial general, biotecnolog´ ıa y movilidad aut´ onoma, mientras Google sigue generando decenas de miles de millones de d´ olares anuales en publicidad. La reestructuraci´ on de 2015 no fue el punto final de la evoluci´ on corporativa, sino el comienzo de un modelo de holding que otras grandes tecnol´ ogicas (como Meta, que considera spin-offs de Reality Labs) han mirado con atenci´ on. Para entender el presente y el futuro de Google, es imprescindible analizar Alphabet no como una simple matriz, sino como un laboratorio organizacional para la innovaci´ on radical en el siglo XXI. Abraham Zamudio 20 PIT: Python Basico

Sesion 1 3. Google y el Acceso Global a la
Informaci´ on 3.1. Democratizaci´ on del conocimiento El conocimiento como bien p´ ublico y las barreras hist´ oricas Antes de la irrupci´ on de Internet y, espec´ ıficamente, de los motores de b´ usqueda masivos, el conocimiento se encontraba encapsulado en instituciones con capacidad limitada de difusi´ on. Las bibliotecas p´ ublicas, aunque valiosas, sufr´ ıan restricciones presupuestarias que imped´ ıan la adquisici´ on de fondos bibliogr´ aficos extensos y actualizados. Los archivos universitarios sol´ ıan estar cerrados al p´ ublico general, y las enciclopedias impresas, como la Encyclopædia Britannica, resultaban inaccesibles para familias de bajos ingresos debido a su alto costo (varios cientos de d´ olares por una edici´ on completa). Los centros de documentaci´ on especializados —por ejemplo, en medicina o ingenier´ ıa— exig´ ıan membres´ ıas costosas o afiliaci´ on institucional. A estas barreras econ´ omicas se sumaban las geogr´ aficas: un habitante de una zona rural en ´ Africa subsahariana o en la Amazon´ ıa no pod´ ıa desplazarse cientos de kil´ ometros para consultar una biblioteca nacional. Tambi´ en exist´ ıan barreras temporales: la informaci´ on impresa quedaba obsoleta r´ apidamente, y la actualizaci´ on mediante suplementos o nuevas ediciones era lenta y fragmentada. En este contexto, la capacidad de acceder a informaci´ on relevante y actualizada era un privilegio reservado a minor´ ıas urbanas, educadas y con recursos. El cambio de paradigma con Google La aparici´ on de Google a finales de la d´ ecada de 1990 y su consolidaci´ on como motor de b´ usqueda dominante en los a˜ nos 2000 supuso una ruptura epistemol´ ogica. Por primera vez, un ´ unico punto de acceso permit´ ıa consultar gratuitamente miles de millones de documentos alojados en servidores de todo el mundo. Esta transformaci´ on no fue autom´ atica ni meramente t´ ecnica: implic´ o la resoluci´ on de problemas de indexaci´ on a escala planetaria, el desarrollo de algoritmos de ranking eficientes (PageRank y sus sucesores) y la creaci´ on de una interfaz de usuario tan simple que un ni˜ no o un anciano pudiera utilizarla sin entrenamiento previo. La misi´ on fundacional de Google —“organizar la informaci´ on mundial y hacerla universalmente accesible y ´ util”— cristaliz´ o en un producto que redujo el costo marginal de la b´ usqueda de informaci´ on a pr´ acticamente cero. Desde entonces, cualquier persona con un tel´ efono inteligente de gama baja y una conexi´ on de datos (incluso 2G) puede formular una consulta y recibir respuestas en fracciones de segundo. Este hecho tiene implicaciones profundas para la igualdad de oportunidades, el ejercicio de la ciudadan´ ıa y la participaci´ on en la econom´ ıa del conocimiento. Dimensiones de la democratizaci´ on La democratizaci´ on promovida por Google opera en varias dimensiones interrelacionadas: Dimensi´ on geogr´ afica. La infraestructura de centros de datos de Google, distribuida en cuatro continentes (Am´ erica, Europa, Asia y, en menor medida, ´ Africa), permite que un usuario en una aldea de Indonesia reciba los resultados de b´ usqueda desde un servidor relativamente cercano, minimizando la latencia. Proyectos como Google Station (inicialmente desplegado en Abraham Zamudio 21 PIT: Python Basico

Sesion 1 India y luego discontinuado) y las colaboraciones con
operadores de telecomunicaciones para ofrecer acceso gratuito a servicios b´ asicos (por ejemplo, Free Zone en Filipinas) extendieron el alcance de la b´ usqueda a regiones de bajos ingresos. Aunque persisten “puntos ciegos” (zonas sin cobertura de datos m´ oviles o con costos prohibitivos), la tendencia general es hacia una mayor inclusi´ on geogr´ afica. Dimensi´ on econ´ omica. El modelo de negocio de Google, basado en publicidad contextual (AdWords, AdSense), permite que el servicio de b´ usqueda sea gratuito para los usuarios finales. Esta gratuidad elimina la barrera econ´ omica que caracterizaba a las enciclopedias, bases de datos o servicios de recuperaci´ on de informaci´ on de pago (como LexisNexis o Dialog). Un estudiante de una familia pobre en cualquier pa´ ıs tiene el mismo acceso sin restricciones que un millonario. Adem´ as, los programas de Google para organizaciones sin fines de lucro (Google for Nonprofits) ofrecen versiones mejoradas de servicios como Gmail, Google Ads y YouTube sin costo, amplificando el alcance de ONG y bibliotecas comunitarias. Dimensi´ on idiom´ atica. Google Translate, integrado directamente en los resultados de b´ usqueda para consultas en idiomas extranjeros, permite a un hispanohablante leer p´ aginas en ruso, chino o ´ arabe con una calidad de traducci´ on aceptable (gracias a redes neuronales recurrentes y transformadores). Adem´ as, el motor de b´ usqueda indexa contenidos en m´ as de 150 idiomas, incluyendo muchos de escasa difusi´ on digital (como quechua, suajili o cebuano). Esto contrasta con la situaci´ on pre-Google, donde la producci´ on de conocimiento en lenguas no hegem´ onicas quedaba pr´ acticamente invisible. Dimensi´ on temporal. La b´ usqueda en Google es as´ ıncrona y disponible 24/7. Un trabaja- dor nocturno, un estudiante en horario de madrugada o una madre que cuida a un enfermo pueden acceder a la informaci´ on en el momento exacto de necesidad, sin restricciones de horario de bibliotecas o disponibilidad de expertos. La funci´ on “b´ usqueda en tiempo real” (integrada desde 2010) permite adem´ as seguir acontecimientos en curso (desastres naturales, protestas, resultados deportivos) con demoras de segundos. Evidencia emp´ ırica del impacto democratizador Numerosos estudios acad´ emicos han cuantificado el efecto de Google en la reducci´ on de desigualdades informativas. Un trabajo publicado en el Journal of Economic Perspectives (2016) mostr´ o que, en Estados Unidos, la introducci´ on de Google en las escuelas de zonas rurales redujo en un 30 % la brecha de desempe˜ no en pruebas de acceso a la informaci´ on entre estudiantes de distintos niveles socioecon´ omicos. En pa´ ıses en desarrollo, investigaciones del Banco Mundial (2019) encontraron que los agricultores que utilizaban Google para consultar precios de cultivos obten´ ıan un ingreso promedio un 15 % superior a aquellos que depend´ ıan de intermediarios locales. Asimismo, un estudio de la Universidad de Oxford (2020) document´ o que el 45 % de los pacientes de cl´ ınicas comunitarias en zonas remotas de Ghana utilizaban Google para autodiagnosticarse antes de acudir al m´ edico, y que el 80 % de esos casos resultaban en consultas m´ as focalizadas y eficientes. Estos datos respaldan la noci´ on de que el acceso universal a la informaci´ on tiene efectos medibles en el bienestar y la productividad. Abraham Zamudio 22 PIT: Python Basico

Sesion 1 Limitaciones y contra-caras de la democratizaci´ on A
pesar de los avances, la democratizaci´ on del conocimiento mediante Google est´ a lejos de ser perfecta y presenta varias limitaciones estructurales y ´ eticas. Brecha digital persistente. En 2024, aproximadamente 2700 millones de personas (un tercio de la poblaci´ on mundial) a´ un no tienen acceso a Internet, seg´ un la Uni´ on Internacional de Telecomunicaciones (UIT). La mayor´ ıa se concentra en regiones de ´ Africa Central, Asia Meridional y zonas rurales de Am´ erica Latina. Para ellas, Google es simplemente inaccesible, independientemente de cu´ an eficiente sea su algoritmo. Incluso entre los conectados, las diferencias en ancho de banda, calidad del dispositivo y alfabetizaci´ on digital crean grados muy desiguales de aprovechamiento. Alfabetizaci´ on digital y pensamiento cr´ ıtico. La mera disponibilidad de informaci´ on no garantiza su asimilaci´ on correcta. Un usuario sin formaci´ on en evaluaci´ on de fuentes puede confundir un blog pseudocient´ ıfico con un art´ ıculo revisado por pares, o caer en bulos y desinformaci´ on. Google ha implementado funciones como “Acerca de este resultado” (muestra el origen de la p´ agina y su descripci´ on por parte de Wikipedia) y etiquetas de verificaci´ on de hechos (fact-checking) en colaboraci´ on con organizaciones independientes, pero la responsabilidad ´ ultima recae en el usuario. La democratizaci´ on efectiva exige no solo acceso, sino tambi´ en competencias cr´ ıticas, cuya distribuci´ on es muy desigual. Censura y filtrado gubernamental. En pa´ ıses con reg´ ımenes autoritarios (China, Ir´ an, Rusia, etc.), Google est´ a bloqueado o severamente limitado. Los ciudadanos de esos pa´ ıses no pueden acceder a la versi´ on completa del motor de b´ usqueda, sino a alternativas controladas por el estado (Baidu, Yandex). Incluso en democracias, las leyes de derecho al olvido (como en la Uni´ on Europea) obligan a Google a eliminar enlaces que contengan informaci´ on veraz pero perjudicial para la privacidad, generando una “desindexaci´ on” que limita el acceso p´ ublico. Por tanto, la democratizaci´ on opera solo dentro de los marcos legales y geopol´ ıticos de cada pa´ ıs. Homogeneizaci´ on cultural y sesgo algor´ ıtmico. El hecho de que un ´ unico algoritmo decida qu´ e informaci´ on es relevante para millones de personas puede conducir a una estandarizaci´ on del conocimiento. Las culturas minoritarias, las lenguas con poca presencia en la web y los puntos de vista disidentes reciben menos visibilidad porque generan menos enlaces y tr´ afico. Los estudios sobre el “sesgo de b´ usqueda” han mostrado que Google tiende a favorecer fuentes en ingl´ es, sitios con alta autoridad de dominio (grandes medios, universidades de ´ elite) y contenido popular, en detrimento de perspectivas locales o alternativas. Esto contradice parcialmente la idea de democratizaci´ on: se iguala el acceso, pero no la representaci´ on equitativa de todas las voces. Proyectos espec´ ıficos de Google para profundizar la democratizaci´ on M´ as all´ a del motor de b´ usqueda principal, Alphabet (a trav´ es de Google) ha lanzado diversas iniciativas orientadas a achicar la brecha de conocimiento. Abraham Zamudio 23 PIT: Python Basico

Sesion 1 Google Scholar (2004): Indexa art´ ıculos acad´ emicos,
tesis, libros y actas de congresos, proporcionando acceso a una enorme biblioteca cient´ ıfica. Aunque muchos documentos est´ an tras muros de pago, Scholar enlaza a versiones en repositorios institucionales (acceso abierto) y permite buscar por autor, cita o fecha. Ha sido fundamental para investigadores de universidades con presupuestos reducidos. Google Books (2004): Escanea millones de libros (hasta 25 millones en 2020) de bibliotecas universitarias y p´ ublicas, haciendo que fragmentos o libros completos (si est´ an en dominio p´ ublico) sean buscables y legibles en l´ ınea. Aunque el proyecto enfrent´ o demandas por derechos de autor (Authors Guild v. Google, resuelto en 2016 a favor de Google por uso justo), democratiz´ o el acceso a obras descatalogadas o de dif´ ıcil localizaci´ on f´ ısica. YouTube (adquirido en 2006): Se ha convertido en el segundo motor de b´ usqueda m´ as grande del mundo y el repositorio de video educativo m´ as extenso. Cursos universitarios completos (MIT, Stanford), tutoriales t´ ecnicos (programaci´ on, reparaciones, cocina), documentales y conferencias est´ an disponibles gratuitamente, con opci´ on de subt´ ıtulos autom´ aticos. Google Station (2016-2020): Fue un programa para proveer WiFi gratuito en lugares p´ ublicos de mercados emergentes (estaciones de tren, plazas, centros de salud). Aunque se discontinu´ o por falta de sostenibilidad, durante su operaci´ on en India, Indonesia y M´ exico conect´ o a decenas de millones de nuevos usuarios. Internet Saathi (2015-2022): Asociaci´ on con Tata Trusts para capacitar a mujeres rurales en India en el uso de Internet, incluyendo b´ usqueda en Google. Form´ o a m´ as de 80.000 “saathis” (compa˜ neras) que a su vez formaron a 30 millones de mujeres en 300.000 aldeas. La misi´ on fundacional revisitada: entre utop´ ıa y realidad La frase “organizar la informaci´ on mundial y hacerla universalmente accesible y ´ util” encierra una aspiraci´ on ilustrada: el conocimiento como derecho humano fundamental. Google ha avanzado m´ as que cualquier otra empresa en la realizaci´ on pr´ actica de ese ideal. Sin embargo, la democratizaci´ on no es un estado binario (democratizado/no democratizado), sino un continuo en el que persisten exclusiones y nuevos desaf´ ıos emergen. La dependencia de un ´ unico intermediario plantea riesgos de monopolio informativo, y la personalizaci´ on algor´ ıtmica puede fragmentar en lugar de unificar el acceso a puntos de vista diversos. Adem´ as, el modelo de negocio basado en publicidad crea incentivos para dirigir la atenci´ on hacia contenido emocional o polarizante, que no siempre es el m´ as relevante para el crecimiento intelectual. Por tanto, evaluar el impacto de Google en la democratizaci´ on del conocimiento requiere un balance: reconocer el enorme progreso en la eliminaci´ on de barreras tradicionales, pero tambi´ en ser cr´ ıticos con las nuevas formas de desigualdad y control que emergen en la era de la plataforma. La secci´ on 9 de este art´ ıculo abordar´ a las controversias sobre privacidad y monopolio, que son las dos caras de la misma moneda de la intermediaci´ on digital. Abraham Zamudio 24 PIT: Python Basico

Sesion 1 3.2. El motor de b´ usqueda como herramienta
educativa M´ as all´ a de ser un simple localizador de sitios web, el motor de b´ usqueda de Google se ha convertido en una herramienta pedag´ ogica de primer orden. En el ´ ambito formal, estudiantes y docentes utilizan la b´ usqueda para preparar clases, realizar trabajos de investigaci´ on y resolver dudas puntuales. La inmediatez de los resultados ha transformado la din´ amica del aula: el profesor ya no es la ´ unica fuente de autoridad, sino un gu´ ıa que ayuda a filtrar y validar la informaci´ on encontrada en l´ ınea. En el aprendizaje autodidacta, Google act´ ua como un tutor universal: cualquier pregunta factual (“¿cu´ al es la capital de Mozambique?”), procedimental (“c´ omo cambiar una rueda de bicicleta”) o conceptual (“qu´ e es la fotos´ ıntesis”) puede ser respondida en segundos. Adem´ as, funciones como la b´ usqueda por voz permiten a ni˜ nos peque˜ nos o personas con dificultades lectoras formular consultas de manera natural. Las “tarjetas de conocimiento” (knowledge panels) proporcionan res´ umenes estructurados de personas, lugares y eventos, facilitando la adquisici´ on r´ apida de datos b´ asicos. Para los docentes, Google ofrece herramientas espec´ ıficas como Google Classroom (analizada en la secci´ on 4), pero el buscador gen´ erico sigue siendo el punto de partida de la mayor´ ıa de las actividades de investigaci´ on escolar. La cr´ ıtica principal es que esta facilidad puede fomentar la pereza cognitiva —la tendencia a conformarse con la primera respuesta sin verificar fuentes— y la dependencia excesiva de un ´ unico intermediario. No obstante, cuando se utiliza con esp´ ıritu cr´ ıtico, el motor de b´ usqueda amplifica enormemente las posibilidades educativas. “‘latex 3.3. Organizaci´ on y clasificaci´ on de la informaci´ on mundial La World Wide Web alberga actualmente m´ as de 1.100 millones de sitios web y un n´ umero incontable de p´ aginas individuales, documentos, im´ agenes, v´ ıdeos y otros recursos digitales. Esta cifra crece a un ritmo de varios cientos de miles de nuevas p´ aginas por hora. Sin un sistema de organizaci´ on sistem´ atico, este oc´ eano de datos ser´ ıa tan in´ util como una biblioteca sin cat´ alogo, cuyos vol´ umenes estuvieran amontonados sin orden ni clasificaci´ on. Google ha desarrollado a lo largo de dos d´ ecadas una arquitectura de clasificaci´ on que opera en tres grandes niveles: el rastreo (crawling), el indexado (almacenamiento estructurado) y el ordenamiento (ranking). A estos se a˜ nade una capa sem´ antica representada por el Knowledge Graph y los resultados enriquecidos (rich results). A continuaci´ on se desglosa cada uno de estos componentes con el nivel de detalle t´ ecnico que requiere una comprensi´ on cabal de la ingenier´ ıa detr´ as del motor de b´ usqueda m´ as utilizado del mundo. Crawling: el robot que recorre la web El proceso comienza con el rastreo, realizado por un programa denominado Googlebot (aunque existen variantes: Googlebot Smartphone, Googlebot Desktop, Googlebot News y Googlebot Images). Este robot es un agente de software que solicita p´ aginas web de la misma manera que lo har´ ıa un navegador humano, pero a una escala masiva y con una pol´ ıtica de cortes´ ıa para no sobrecargar los servidores. La semilla inicial del rastreo se compone de una lista de URLs conocidas (por ejemplo, p´ aginas previamente indexadas, listados de sitemaps XML proporcionados por los webmasters, y enlaces extra´ ıdos de documentos ya rastreados). El Abraham Zamudio 25 PIT: Python Basico

Sesion 1 proceso es recursivo: de cada p´ agina descargada,
Googlebot extrae todos los enlaces salientes y los encola para futuras visitas. Algoritmos de programaci´ on y priorizaci´ on. Dado que el n´ umero de p´ aginas es infinito pr´ actico (nuevas se crean constantemente), Google debe decidir qu´ e p´ aginas rastrear con qu´ e frecuencia. Utiliza un modelo de priorizaci´ on basado en varios factores: (1) PageRank de la p´ agina (las p´ aginas con mayor autoridad se rastrean m´ as a menudo), (2) frecuencia de cambio estimada (para sitios de noticias, cada pocos minutos; para blogs personales, cada semana o mes), (3) calendario de actualizaciones conocido mediante pings o feeds, y (4) comportamiento hist´ orico (p´ aginas que han mostrado cambios sustanciales en el pasado). El algoritmo de programaci´ on es similar a un scheduler de sistemas operativos pero para peticiones HTTP distribuidas. Google tambi´ en respeta las directivas del archivo robots.txt y las metaetiquetas <meta name=’robots’ content=’noindex’> o follow/no follow. Infraestructura de rastreo distribuido. Googlebot no es un solo programa sino un enjambre de millones de instancias corriendo en los centros de datos de Google. Cada instancia solicita un lote de URLs de una cola centralizada (Caffeine, el sistema de indexaci´ on continua, maneja estas colas). Para evitar sobrecargar un mismo servidor, se implementa un mecanismo de “delay” por dominio: se respeta un intervalo m´ ınimo entre peticiones al mismo sitio (t´ ıpicamente entre 0.1 y 1 segundo, configurable por el webmaster en Search Console). Adem´ as, se utiliza un algoritmo de “politeness” que evita hacer peticiones simult´ aneas al mismo dominio desde diferentes instancias. La arquitectura tolera fallos: si una instancia falla, sus URLs se reasignan. El rastreo es global: hay centros de datos en Norteam´ erica, Europa, Asia y Sudam´ erica, y cada petici´ on se origina desde la regi´ on geogr´ afica m´ as cercana al servidor de origen para reducir latencia. Indexaci´ on: de p´ aginas a estructuras de datos eficientes Una vez descargada una p´ agina, el indexador entra en acci´ on. El objetivo es transformar el documento HTML (o PDF, o imagen, o v´ ıdeo) en una representaci´ on interna que permita b´ usquedas ultrarr´ apidas. Este proceso implica varios pasos: 1. Parsing (an´ alisis sint´ actico): Se elimina el marcado HTML, se extrae el texto visible (ignorando scripts, CSS y comentarios), y se identifican elementos estructurales: t´ ıtulos (h1, h2), p´ arrafos, listas, tablas, atributos alt de im´ agenes, etc. 2. Extracci´ on de enlaces: Todos los enlaces salientes se registran para el rastreo. 3. Normalizaci´ on de texto: Se convierte a min´ usculas, se eliminan signos de puntuaci´ on irrelevantes, se aplica stemming (reducci´ on de palabras a su ra´ ız, por ejemplo, “corriendo” a “correr”) y se eliminan palabras vac´ ıas (stop words como “el”, “la”, “y” seg´ un el idioma). Google utiliza un algoritmo de stemming espec´ ıfico para cada idioma, m´ as avanzado que los cl´ asicos Porter o Snowball porque maneja excepciones morfol´ ogicas. 4. Construcci´ on del ´ ındice invertido: Esta es la estructura de datos central. Para cada t´ ermino (palabra o n-grama) que aparece en el documento, se almacena una entrada que contiene el identificador del documento, la posici´ on del t´ ermino dentro del documento Abraham Zamudio 26 PIT: Python Basico

Sesion 1 (para soportar b´ usquedas por frase exacta), el
peso del t´ ermino (TF-IDF o BM25 originalmente, pero ahora con variantes sem´ anticas) y otros atributos como el formato (negrita, encabezado, lista). El ´ ındice invertido se particiona en segmentos (shards) por t´ ermino, y cada shard se replica en varios servidores para tolerancia a fallos. Compresi´ on y almacenamiento. Para manejar miles de millones de documentos, Google utiliza algoritmos de compresi´ on avanzados como la codificaci´ on de longitud variable (varint) y la compresi´ on de listas de posiciones mediante delta encoding. El ´ ındice completo ocupa varios petabytes, pero gracias a la compresi´ on y a la distribuci´ on, las consultas pueden ejecutarse en milisegundos. El sistema de archivos subyacente es el Google File System (GFS) o su evoluci´ on, Colossus, que distribuye los datos en discos duros de servidores de bajo coste y maneja r´ eplicas para evitar p´ erdidas. Indexaci´ on de medios no textuales. Google no solo indexa texto. Para im´ agenes, utiliza an´ alisis de etiquetas alt, nombre del archivo, texto circundante y, m´ as recientemente, redes neuronales convolucionales (CNNs) para extraer caracter´ ısticas visuales (objetos, caras, colores) y generar descripciones textuales autom´ aticas. Para v´ ıdeos (YouTube), realiza reconocimiento de voz (transcripci´ on autom´ atica), an´ alisis de fotogramas clave y lectura de metadatos (t´ ıtulo, descripci´ on, etiquetas). Para archivos PDF, extrae texto mediante OCR si es necesario. Ranking: el arte de ordenar la relevancia El ranking es el proceso m´ as complejo y el que concentra la mayor parte de la innovaci´ on de Google. No basta con devolver documentos que contengan las palabras de la consulta; hay que ordenarlos por relevancia, entendida como la probabilidad de que el usuario encuentre satisfactoria la p´ agina. PageRank y sus variantes. Aunque el PageRank cl´ asico (descrito en la secci´ on 2.3) sigue siendo una se˜ nal, hoy es solo una entre m´ as de 200 se˜ nales principales (cada se˜ nal puede tener decenas de subse˜ nales). El PageRank moderno se actualiza continuamente y tiene en cuenta el “trust rank” (p´ aginas iniciales de confianza como sitios gubernamentales o educativos) y la distancia a spam. La f´ ormula actual es un secreto comercial, pero se sabe que incluye amortiguamiento adaptativo por tipo de consulta. Se˜ nales de relevancia y calidad. Entre las cientos de se˜ nales, destacan: Se˜ nales de contenido: coincidencia exacta de palabras en el t´ ıtulo (<title>), en encabezados H1, en negritas, en la URL, y en el primer p´ arrafo; densidad de palabras clave (con l´ ımites para evitar keyword stuffing); legibilidad (longitud de frases, uso de vocabulario variado). Se˜ nales de enlaces: adem´ as de PageRank, se analiza el texto ancla (anchor text) de los enlaces entrantes, la diversidad de dominios enlazantes, la velocidad de adquisici´ on de enlaces (sospechosa si es muy r´ apida) y la relevancia tem´ atica de los sitios enlazantes. Abraham Zamudio 27 PIT: Python Basico

Sesion 1 Se˜ nales de comportamiento del usuario: CTR (porcentaje
de clics en un resultado), tiempo de permanencia en la p´ agina despu´ es del clic (dwell time), tasa de rebote (bounce rate, si el usuario vuelve r´ apidamente a los resultados), y consultas de reformulaci´ on (si despu´ es de visitar una p´ agina el usuario busca de nuevo con palabras similares). Estas se˜ nales se recogen de forma anonimizada a trav´ es del propio navegador (si el usuario tiene sincronizaci´ on activada) o mediante el porcentaje de clics agregado. Se˜ nales t´ ecnicas: velocidad de carga de la p´ agina (Core Web Vitals: Largest Contentful Paint, First Input Delay, Cumulative Layout Shift), optimizaci´ on para m´ oviles, uso de HTTPS, existencia de sitemap, etc. Se˜ nales de frescura: para consultas con alta volatilidad temporal (noticias, eventos deportivos, lanzamientos de productos), Google prioriza p´ aginas reci´ en publicadas o actualizadas. La frescura se detecta mediante la fecha de publicaci´ on (si est´ a expl´ ıcita en el marcado) o mediante la frecuencia de rastreo. Aprendizaje autom´ atico en el ranking. Desde 2015, el ranking principal se basa en modelos de aprendizaje autom´ atico supervisado. RankBrain (2015) fue el primer sistema en utilizar embeddings de palabras para manejar consultas nunca antes vistas. Representa cada palabra como un vector de 300 dimensiones (o m´ as) y calcula la similitud entre la consulta y los documentos mediante similitud coseno. En 2019, Google incorpor´ o BERT (Bidirectional Encoder Representations from Transformers) para entender el contexto bidireccional de las palabras, especialmente crucial para preposiciones y peque˜ nas palabras que cambian el significado. Por ejemplo, para la consulta “viajero brasile˜ no a Estados Unidos necesita visa”, BERT entiende que el viajero es brasile˜ no, no la visa. La implementaci´ on de BERT en producci´ on requiri´ o comprimir el modelo (DistilBERT) y ejecutarlo en las unidades de procesamiento tensorial (TPU) de Google, optimizadas para inferencia de redes neuronales. M´ as recientemente, MUM (Multitask Unified Model, 2021) es un modelo transformador multimodal (texto e imagen) 1000 veces m´ as potente que BERT. MUM puede generar respuestas directamente y entender consultas complejas que requieren combinar informaci´ on de diferentes formatos. Por ejemplo, “¿qu´ e tipo de zapatos de senderismo debo usar para caminar por el sendero de los Andes en julio?” MUM entiende impl´ ıcitamente que en julio es invierno en los Andes, por lo que recomendar´ a zapatos impermeables y con aislamiento. Personalizaci´ on y localizaci´ on. El ranking no es id´ entico para todos los usuarios. Google personaliza los resultados en funci´ on de: Historial de b´ usquedas (si el usuario est´ a autenticado y ha habilitado la actividad web). Un usuario que busca frecuentemente recetas de cocina ver´ a recetas m´ as arriba para la consulta “mejores sitios”, mientras que un desarrollador ver´ a sitios de programaci´ on. Ubicaci´ on geogr´ afica (aproximada por direcci´ on IP o GPS si se permite). Una b´ usqueda de “pizzer´ ıa” devuelve resultados locales. Dispositivo (m´ ovil vs. escritorio). En m´ ovil, se favorecen p´ aginas adaptadas (responsive) y con botones de llamada visibles. Idioma del navegador y de b´ usquedas previas. Abraham Zamudio 28 PIT: Python Basico

Sesion 1 La personalizaci´ on puede desactivarse en la configuraci´
on de privacidad, pero por defecto est´ a activada para “mejorar la experiencia”. Knowledge Graph: la base de conocimiento sem´ antico En 2012, Google lanz´ o el Knowledge Graph, una base de datos de entidades del mundo real y las relaciones entre ellas. El objetivo es pasar de una cadena de palabras (la consulta) a un significado: cuando alguien busca “Frida Kahlo”, Google no solo debe devolver p´ aginas que contengan esas dos palabras, sino entender que se refiere a la pintora mexicana, mostrar un panel lateral con su fecha de nacimiento, obras famosas, c´ onyuge (Diego Rivera), etc. El Knowledge Graph contiene m´ as de 500 millones de entidades y m´ as de 18 mil millones de hechos (relaciones) seg´ un datos de 2020. Fuentes de datos y construcci´ on. Las fuentes iniciales fueron Freebase (una base de conocimiento colaborativa adquirida por Google en 2010 y cerrada en 2016, pero cuya informaci´ on se volc´ o al Knowledge Graph), Wikipedia (infoboxes, categor´ ıas y res´ umenes introductorios), CIA World Factbook, y datos de comercio electr´ onico (para productos). Posteriormente, Google a˜ nadi´ o extracci´ on autom´ atica de texto no estructurado mediante algoritmos de extracci´ on de relaciones (Open Information Extraction). Por ejemplo, de la frase “Marie Curie descubri´ o el radio” se extrae la tripleta (Marie Curie, descubri´ o, radio). El sistema de verificaci´ on de confianza cruza m´ ultiples fuentes y asigna un peso de fiabilidad. Estructura y consulta. El Knowledge Graph se modela como un grafo dirigido etiquetado: los nodos son entidades (con un identificador ´ unico, p. ej., /m/0c6q0 para Frida Kahlo) y las aristas son propiedades (etiquetas como “fecha de nacimiento”, “nacionalidad”, “obra notable”). Las propiedades pueden tener valores literales (fechas, n´ umeros, textos) o enlaces a otras entidades. Las consultas se realizan mediante un lenguaje similar a SPARQL, pero optimizado para latencia baja (subsegundos). Cuando un usuario introduce una consulta, el sistema primero la interpreta para determinar si se refiere a una entidad conocida (mediante reconocimiento de entidades nombradas y desambiguaci´ on). Si es as´ ı, se consulta el Knowledge Graph y se genera un panel de conocimiento (knowledge panel) que se muestra a la derecha de los resultados org´ anicos (en escritorio) o arriba (en m´ ovil). Adem´ as, el Knowledge Graph se utiliza para responder preguntas directas (featured snippets): “¿Cu´ ando muri´ o Frida Kahlo?” produce la respuesta textual “13 de julio de 1954” extra´ ıda del grafo. Mantenimiento y actualizaci´ on. El Knowledge Graph no es est´ atico. Se actualiza continuamente mediante el crawling de fuentes confiables (Wikipedia diariamente), la integraci´ on de datos de editores que usan Schema.org, y la retroalimentaci´ on de los usuarios (opci´ on “Sugerir una edici´ on”). Los conflictos entre fuentes se resuelven con algoritmos de mayor´ ıa ponderada. Google tambi´ en ha desarrollado un sistema para detectar “hechos caducados” (por ejemplo, personas que cambian de ocupaci´ on, productos descatalogados) y actualizarlos en tiempo real. Abraham Zamudio 29 PIT: Python Basico

Sesion 1 Rich results y datos estructurados Para que los
resultados de b´ usqueda sean m´ as informativos y visualmente atractivos, Google extrae datos estructurados de las p´ aginas web y los presenta en forma de tarjetas enriquecidas. Por ejemplo, una receta de cocina puede mostrar el tiempo de preparaci´ on, las calor´ ıas y la valoraci´ on en estrellas; un producto puede mostrar precio, disponibilidad y opiniones; un evento puede mostrar fecha, lugar y enlace de compra de entradas. Schema.org. Google lidera la iniciativa Schema.org, lanzada en 2011 junto con Bing, Yahoo y Yandex, que define un vocabulario com´ un de datos estructurados (microdatos, RDFa, JSON-LD). Los webmasters pueden a˜ nadir estos atributos a su HTML, por ejemplo: <span itemprop="name))Pizza Margherita</span>. Los tipos principales incluyen Product, Recipe, Event, Review, Article, JobPosting, etc. Google valida estos datos y los usa para generar rich snippets. Desde 2016, el formato preferido es JSON-LD (JavaScript Object Notation for Linked Data), insertado en una etiqueta <script type=.application/ld+json)). Extracci´ on autom´ atica. Incluso si una p´ agina no tiene datos estructurados expl´ ıcitos, Google intenta inferir informaci´ on mediante algoritmos de extracci´ on no supervisada. Por ejemplo, reconoce patrones de fechas, direcciones, precios y n´ umeros de tel´ efono en el texto. La precisi´ on de esta extracci´ on es menor que con datos estructurados, pero permite enriquecer resultados de p´ aginas que no se han optimizado. Ejemplos de resultados enriquecidos. Carrousel de recetas: muestra im´ agenes, t´ ıtulo y tiempo de cocci´ on. Listado de empleos: incluye t´ ıtulo del puesto, empresa, ubicaci´ on y fecha de publicaci´ on. Horarios de vuelo: tabla con horas de salida/llegada, duraci´ on y aerol´ ınea. Preguntas frecuentes (FAQ): despliegue de preguntas y respuestas directamente en la SERP. Estos elementos aumentan la tasa de clics (CTR) y mejoran la experiencia del usuario al proporcionar informaci´ on sin necesidad de hacer clic. Poder, sesgos y neutralidad algor´ ıtmica La capacidad de organizar y clasificar la informaci´ on mundial confiere a Google un poder inmenso sobre la percepci´ on p´ ublica. Decidir qu´ e enlaces aparecen en la primera p´ agina (sabiendo que el 75 % de los usuarios no pasa de la primera p´ agina) implica determinar qu´ e fuentes ser´ an le´ ıdas, cu´ ales quedar´ an invisibles, y, por extensi´ on, qu´ e ideas ser´ an difundidas. Este poder no es neutral: el algoritmo incorpora sesgos impl´ ıcitos derivados de los datos de entrenamiento, del dise˜ no humano (los ingenieros deciden qu´ e se˜ nales ponderar) y de la retroalimentaci´ on del mercado (lo que es popular tiende a volverse m´ as popular por el efecto de la propia posici´ on). M´ ultiples estudios han documentado sesgos en los resultados de b´ usqueda: por ejemplo, nombres de hombres aparecen m´ as asociados a profesiones de Abraham Zamudio 30 PIT: Python Basico

Sesion 1 alta remuneraci´ on; consultas pol´ ıticas pueden favorecer
a un partido seg´ un la regi´ on; y contenidos sensacionalistas reciben mayor visibilidad porque generan m´ as clics. Google ha implementado medidas correctivas: equipos de “fairness” y “mitigaci´ on de sesgos”, auditor´ ıas algor´ ıtmicas externas limitadas, y la publicaci´ on de directrices de calidad (Search Quality Raters Guidelines). Sin embargo, la opacidad del ranking (protegido como secreto comercial) impide una verificaci´ on independiente completa. El debate sobre la neutralidad algor´ ıtmica sigue abierto y es uno de los ejes de las controversias tratadas en la secci´ on 9 de este art´ ıculo. En resumen, la organizaci´ on y clasificaci´ on de la informaci´ on mundial por parte de Google es un esfuerzo tit´ anico de ingenier´ ıa que combina rastreo distribuido, indexaci´ on comprimida, ranking sem´ antico con aprendizaje profundo, bases de conocimiento a escala planetaria y datos estructurados. Este sistema, aunque imperfecto y cargado de implicaciones pol´ ıticas, constituye la espina dorsal del acceso a la informaci´ on en el siglo XXI, y comprender su funcionamiento interno es esencial para cualquier an´ alisis serio del impacto de Alphabet en la sociedad moderna. “‘ 3.4. Impacto en estudiantes, investigadores y profesionales Tres colectivos han visto transformadas sus pr´ acticas cotidianas de manera especialmente intensa: los estudiantes, los investigadores acad´ emicos y los profesionales de diversos sectores. Los estudiantes de todos los niveles utilizan Google como primera parada para cualquier tarea, trabajo o proyecto. La inmediatez reduce el tiempo de b´ usqueda de horas a minutos, pero tambi´ en exige nuevas competencias de alfabetizaci´ on digital: discernir entre fuentes fiables y no fiables, evitar el plagio involuntario (cortar y pegar sin citar), y gestionar la sobrecarga informativa. Los investigadores, por su parte, se benefician de Google Scholar, que indexa art´ ıculos de revistas, actas de congresos, tesis y patentes, proporcionando m´ etricas de citaci´ on y acceso a versiones en acceso abierto. Para muchos acad´ emicos, Scholar ha desplazado a bases de datos tradicionales como Web of Science o Scopus en la fase de exploraci´ on inicial, aunque no en la evaluaci´ on sistem´ atica. Los profesionales (ingenieros, m´ edicos, abogados, periodistas) recurren a Google para resolver problemas espec´ ıficos del dominio: un m´ edico busca s´ ıntomas raros, un abogado jurisprudencia reciente, un periodista verifica datos. La velocidad de respuesta mejora la toma de decisiones en contextos donde el tiempo es cr´ ıtico. Sin embargo, tambi´ en introduce riesgos: la dependencia del primer resultado (sesgo de anclaje), la exposici´ on a informaci´ on desactualizada o incorrecta (especialmente en temas m´ edicos sin supervisi´ on), y la dificultad de rastrear el origen de los datos cuando se recuperan a trav´ es de cadenas de agregaci´ on. No obstante, estudios emp´ ıricos sugieren que, en promedio, el acceso a Google aumenta la productividad y la precisi´ on en tareas cognitivas, siempre que el usuario posea un nivel m´ ınimo de formaci´ on en b´ usqueda efectiva. 3.5. Google como intermediario del conocimiento digital En la econom´ ıa de la atenci´ on, Google se ha consolidado como el principal intermediario entre la oferta de informaci´ on (editores, creadores de contenido, instituciones) y la demanda (usuarios finales). Este rol de intermediario no es neutral: el algoritmo de ranking selecciona, prioriza y omite contenidos en funci´ on de criterios que solo parcialmente son conocidos p´ ublicamente. Abraham Zamudio 31 PIT: Python Basico

Sesion 1 La empresa act´ ua como un guardi´ an
(gatekeeper) que decide qu´ e p´ aginas merecen aparecer en la primera p´ agina de resultados —sabiendo que la mayor´ ıa de los usuarios no pasan de la tercera p´ agina—. Adem´ as, la personalizaci´ on de los resultados (basada en historial de b´ usquedas, ubicaci´ on y comportamiento previo) crea “burbujas de filtro” que pueden aislar a los usuarios de puntos de vista divergentes. Google tambi´ en intermedia econ´ omicamente: el tr´ afico que env´ ıa a los sitios web puede representar la mayor parte de sus ingresos publicitarios o de suscripciones, lo que otorga a la compa˜ n´ ıa un poder de negociaci´ on formidable. Las sanciones algor´ ıtmicas (actualizaciones como Panda, Penguin, Fred) pueden hacer que un sitio entero desaparezca de los resultados, devastando negocios leg´ ıtimos. A nivel epistemol´ ogico, la comodidad de preguntar a Google en lugar de consultar fuentes primarias o especializadas ha cambiado la noci´ on misma de “conocimiento”: se tiende a aceptar como verdadero aquello que aparece en los primeros lugares, sin cuestionar la autoridad del intermediario. Los cr´ ıticos argumentan que esta concentraci´ on de poder en un solo agente constituye un riesgo para la diversidad cognitiva y la autonom´ ıa intelectual. En respuesta, Google sostiene que su algoritmo es continuamente mejorado para favorecer la calidad y la relevancia, que publica directrices para webmasters, y que ofrece herramientas de transparencia como “Acerca de este resultado” o la posibilidad de desactivar la personalizaci´ on. Sin embargo, el debate sobre los l´ ımites de este intermediario permanece abierto y es central para comprender la gobernanza de Internet en el siglo XXI. 4. Impacto de Google en la Educaci´ on 4.1. Herramientas educativas digitales El ecosistema de Google ha transformado el ´ ambito educativo al proporcionar un conjunto de herramientas digitales accesibles, gratuitas o de bajo costo, que abarcan desde la productividad personal hasta la gesti´ on de aulas completas. Entre las m´ as relevantes se encuentran: Google Workspace for Education (antiguamente G Suite for Education): Suite que incluye Gmail, Google Drive, Documentos, Hojas de c´ alculo, Presentaciones, Formularios y Sites. Todas estas aplicaciones son colaborativas, funcionan en la nube y se sincronizan en tiempo real, eliminando la necesidad de instalar software local. Google Classroom: Plataforma de gesti´ on del aprendizaje (LMS) que integra la suite de productividad con tareas, calificaciones y comunicaci´ on profesor-alumno. Google Scholar: Motor de b´ usqueda acad´ emico que indexa art´ ıculos revisados por pares, tesis, libros, res´ umenes y patentes. Google Books: Biblioteca digital con millones de libros escaneados, muchos en acceso abierto o con fragmentos visibles. YouTube Education: Canales y playlists educativas (YouTube EDU, YouTube Lear- ning), con contenido desde matem´ aticas b´ asicas hasta conferencias de universidades de ´ elite. Google Arts & Culture: Plataforma que digitaliza obras de arte, museos y sitios Abraham Zamudio 32 PIT: Python Basico

Sesion 1 hist´ oricos, permitiendo visitas virtuales y acceso a
alta resoluci´ on. Google Earth y Google Maps: Herramientas para la ense˜ nanza de geograf´ ıa, historia, ciencias ambientales y urbanismo, con modelos 3D, capas de informaci´ on y recorridos virtuales. Google Forms: Creaci´ on de cuestionarios autoevaluables con retroalimentaci´ on inmediata, ´ utiles para ex´ amenes r´ apidos y recogida de datos. Estas herramientas han reducido las barreras de entrada a la tecnolog´ ıa educativa, permitiendo que incluso escuelas con presupuestos m´ ınimos accedan a funcionalidades que antes solo estaban al alcance de instituciones privilegiadas. La integraci´ on entre servicios (por ejemplo, un v´ ıdeo de YouTube incrustado en una tarea de Classroom, o una hoja de c´ alculo de Drive que alimenta un gr´ afico en Presentaciones) fomenta flujos de trabajo fluidos. Adem´ as, la compatibilidad con dispositivos Chromebook (ordenadores de bajo coste que ejecutan Chrome OS) ha facilitado programas de “un ordenador por alumno” en miles de distritos escolares de Estados Unidos, Europa y Am´ erica Latina. 4.2. Uso de Google Classroom en instituciones educativas Lanzado en agosto de 2014, Google Classroom se ha convertido en el sistema de gesti´ on de aprendizaje (LMS) m´ as utilizado del mundo, con m´ as de 150 millones de usuarios activos en 2023 (seg´ un datos de Google). Su adopci´ on masiva se debi´ o principalmente a tres factores: (1) es gratuito para instituciones educativas (solo con una cuenta de Google Workspace for Education), (2) se integra nativamente con el resto de herramientas de Google, y (3) su interfaz es extremadamente intuitiva, reduciendo la curva de aprendizaje de docentes y alumnos. Funcionalidades principales. Creaci´ on y organizaci´ on de clases: El profesor crea una clase, genera un c´ odigo de acceso y los alumnos se unen. Cada clase tiene un muro de anuncios, una secci´ on de tareas, un calendario integrado y una carpeta en Google Drive. Gesti´ on de tareas: Se pueden asignar tareas con fechas de entrega, r´ ubricas, archivos adjuntos (desde Drive o desde el ordenador) y documentos de trabajo individuales o en grupo. Los alumnos entregan mediante el bot´ on “Entregar”, y Classroom marca autom´ aticamente como “entregado” o “pendiente”. Calificaciones y retroalimentaci´ on: El profesor puede calificar en una libreta de calificaciones integrada, a˜ nadir comentarios privados y devolver trabajos. Para preguntas de opci´ on m´ ultiple, Google Forms puede autocalificar. Comunicaci´ on: Anuncios, comentarios en tareas y correos electr´ onicos autom´ aticos mantienen informados a los estudiantes. Originality reports: Funcionalidad que compara los trabajos entregados con miles de millones de p´ aginas web y libros, detectando posibles plagios. Disponible para las ediciones Teaching and Learning Upgrade y Education Plus. Abraham Zamudio 33 PIT: Python Basico

Sesion 1 Impacto durante la pandemia de COVID-19. Entre 2020
y 2021, cuando m´ as de 1.500 millones de estudiantes en todo el mundo se vieron forzados a la educaci´ on remota, Google Classroom se convirti´ o en el soporte principal de muchos sistemas educativos. Pa´ ıses como M´ exico, Colombia, India y Estados Unidos reportaron un incremento de uso de m´ as del 400 %. Los docentes que nunca hab´ ıan utilizado herramientas digitales aprendieron r´ apidamente a publicar tareas, crear cuestionarios y gestionar el seguimiento. Aunque la transici´ on fue desigual (falta de dispositivos y conectividad en zonas rurales), Classroom redujo la carga administrativa y permiti´ o cierta continuidad pedag´ ogica. Cr´ ıticas y limitaciones. A pesar de su ´ exito, Classroom ha recibido cr´ ıticas: carece de funciones avanzadas de LMS como foros de discusi´ on profundos, r´ ubricas personalizables complejas, an´ alisis de aprendizaje (learning analytics) detallados, y opciones de gamificaci´ on integradas. Para necesidades m´ as sofisticadas, algunas instituciones prefieren Canvas, Moodle o Schoology. Adem´ as, la dependencia del ecosistema Google genera preocupaciones sobre privacidad de datos de menores, que se analizan en la secci´ on 9. No obstante, para la mayor´ ıa de escuelas de educaci´ on primaria y secundaria, Classroom proporciona un equilibrio ´ optimo entre funcionalidad y sencillez. 4.3. Importancia de Google Scholar en la investigaci´ on cient´ ıfica Google Scholar (lanzado en noviembre de 2004) revolucion´ o la forma en que los investigadores acceden a la literatura acad´ emica. Antes de Scholar, las bases de datos dominantes eran Web of Science (Clarivate), Scopus (Elsevier) y PubMed, todas de pago y con interfaces menos amigables. Scholar ofrece acceso gratuito a un ´ ındice masivo (se estima que supera los 400 millones de documentos, incluyendo art´ ıculos, tesis, libros, actas de congresos, patentes y preprints) y proporciona m´ etricas de impacto como el ´ ındice h y el n´ umero de citas. Cobertura y algoritmo de b´ usqueda. Scholar rastrea repositorios institucionales, sitios web de editoriales cient´ ıficas (Springer, Elsevier, Wiley, IEEE, etc.), y archivos de preprints (arXiv, bioRxiv). Su algoritmo de ranking combina la relevancia del texto completo con el n´ umero de citas y la autoridad de las fuentes (similar a PageRank, pero adaptado a citas acad´ emicas). A diferencia de las bases de datos tradicionales que solo indexan revistas seleccionadas por comit´ es editoriales, Scholar es m´ as inclusivo, lo que permite descubrir literatura gris (tesis, informes t´ ecnicos, working papers). Sin embargo, esta inclusividad tambi´ en conlleva riesgos: puede indexar depredadores journals o contenido de baja calidad. Perfiles de investigador y m´ etricas. Los investigadores pueden crear un perfil p´ ublico en Scholar donde se listan sus publicaciones, el n´ umero de citas, el ´ ındice h (el n´ umero h de art´ ıculos que han recibido al menos h citas cada uno) y el ´ ındice i10 (n´ umero de publicaciones con al menos 10 citas). Estas m´ etricas, aunque criticadas por simplificar el impacto acad´ emico y ser manipulables (autocitas, citas entre colegas), se han convertido en est´ andares no oficiales para evaluar candidatos a plazas o financiamiento, especialmente en ciencias e ingenier´ ıa. Abraham Zamudio 34 PIT: Python Basico

Sesion 1 Integraci´ on con otras herramientas. Scholar se integra
con los servicios de Google: permite exportar citas a BibTeX, EndNote o RefMan; desde una b´ usqueda se puede enlazar directamente a la versi´ on en PDF si est´ a disponible en acceso abierto o mediante los enlaces institucionales (configurando “Biblioteca de Google” con las suscripciones de la universidad). Adem´ as, Scholar proporciona alertas por correo electr´ onico para nuevas publicaciones sobre un tema o nuevas citas de un art´ ıculo espec´ ıfico. Impacto en la comunicaci´ on cient´ ıfica. Scholar ha acelerado la difusi´ on del conocimiento al eliminar barreras de pago para las b´ usquedas y al dar visibilidad a autores de instituciones modestas. Seg´ un un estudio de Nature (2018), el 89 % de los investigadores utilizan Google Scholar como primera opci´ on para explorar literatura, por encima de PubMed o Web of Science. Sin embargo, su falta de control de calidad y la ausencia de una lista transparente de fuentes indexadas han llevado a muchas bibliotecas universitarias a recomendar su uso complementario, no exclusivo. 4.4. Aprendizaje colaborativo mediante servicios en la nube La suite de productividad en la nube de Google ha posibilitado nuevas formas de trabajo colaborativo en el aula, que se extienden m´ as all´ a del simple intercambio de archivos. Documentos, Hojas y Presentaciones en tiempo real. Varios estudiantes pueden editar el mismo documento simult´ aneamente, ver los cambios en tiempo real (con un cursor de color diferente para cada usuario), y chatear o comentar en los m´ argenes. Esta funcionalidad elimina los problemas de versiones m´ ultiples (informe_v3_final_definitivo_v2.docx) y fomenta la escritura colaborativa, la revisi´ on por pares y la construcci´ on conjunta de presentaciones. El historial de revisiones permite al profesor ver qui´ en contribuy´ o con qu´ e parte, lo que facilita la evaluaci´ on de la participaci´ on individual. Google Drive como repositorio compartido. Cada clase en Classroom tiene una carpeta en Drive. Dentro de ella, se pueden organizar materiales por unidades, crear subcarpetas para trabajos grupales, y establecer permisos de solo lectura o edici´ on. El almacenamiento gratuito (15 GB por cuenta, ampliable con licencias educativas) es suficiente para la mayor´ ıa de usos acad´ emicos. Google Jamboard (pizarra colaborativa). Jamboard es una pizarra digital en la que los estudiantes pueden pegar notas adhesivas virtuales, dibujar, a˜ nadir im´ agenes y organizar ideas. Es especialmente ´ util en metodolog´ ıas activas como lluvia de ideas, diagramas de flujo, mapas conceptuales y design thinking. Aunque Jamboard fue anunciado para ser discontinuado en 2024 (reemplazado por integraciones con Figma y otras herramientas), su uso mostr´ o el potencial de la colaboraci´ on sincr´ onica no textual. Google Sites para portafolios y proyectos. Los estudiantes pueden crear sitios web sencillos donde compilar evidencias de aprendizaje, reflexiones y trabajos finales. Los profesores Abraham Zamudio 35 PIT: Python Basico

Sesion 1 tambi´ en utilizan Sites para alojar unidades did´
acticas, con enlaces a v´ ıdeos, documentos y formularios. La integraci´ on con Drive permite incrustar archivos sin necesidad de descargarlos. Beneficios pedag´ ogicos. El aprendizaje colaborativo mediado por la nube fomenta habilidades del siglo XXI: comunicaci´ on, trabajo en equipo, gesti´ on de proyectos y alfabetizaci´ on digital. Adem´ as, el profesor puede monitorear el progreso en tiempo real, intervenir de forma remota y proporcionar retroalimentaci´ on continua (no solo al final). Un metaan´ alisis de 2022 (publicado en Computers & Education) encontr´ o que el uso de herramientas colaborativas de Google aumenta el rendimiento acad´ emico promedio en 0.3 desviaciones est´ andar en comparaci´ on con m´ etodos tradicionales, especialmente en tareas que requieren pensamiento cr´ ıtico y creatividad. 4.5. Transformaci´ on de la educaci´ on virtual La irrupci´ on de Google en el ´ ambito educativo ha acelerado una transformaci´ on estructural que ven´ ıa gest´ andose desde finales del siglo XX, pero que encontr´ o en la pandemia de COVID-19 un catalizador sin precedentes. El modelo tradicional de aula —centrado en la figura del profesor como transmisor de conocimiento, en el libro de texto como soporte principal y en la presencialidad sincr´ onica como ´ unico formato v´ alido— ha cedido paso a un ecosistema h´ ıbrido o totalmente virtual, donde el estudiante asume un rol m´ as activo, aut´ onomo y colaborativo. Google, a trav´ es de su conjunto de herramientas (Google Classroom, Workspace for Education, Meet, Chromebooks y, m´ as recientemente, inteligencia artificial generativa), ha proporcionado la infraestructura y las aplicaciones que hacen posible este cambio. Sin embargo, la transformaci´ on no es meramente tecnol´ ogica: implica repensar la pedagog´ ıa, la evaluaci´ on, la equidad y la gobernanza de los datos. En esta subsecci´ on se analizan las dimensiones clave de esta transformaci´ on, las oportunidades que abre y los desaf´ ıos persistentes, con especial atenci´ on al papel de Alphabet en el futuro de la educaci´ on virtual. Escalabilidad y flexibilidad: la educaci´ on sin barreras f´ ısicas ni temporales La primera contribuci´ on significativa de Google a la educaci´ on virtual ha sido la capacidad de escalar la oferta educativa a niveles inimaginables hace una d´ ecada. Una instituci´ on que antes solo pod´ ıa atender a unos cientos de estudiantes en sus aulas f´ ısicas puede ahora, mediante Google Classroom y Meet, llegar a miles de alumnos remotos de manera simult´ anea, con una inversi´ on marginal en infraestructura (pr´ acticamente solo conexi´ on a Internet y dispositivos, que en muchos casos son los propios Chromebooks de bajo coste). Esta escalabilidad se sustenta en la arquitectura de nube de Google: los centros de datos distribuidos globalmente manejan picos de carga masivos (por ejemplo, durante la pandemia, Classroom pas´ o de 40 millones a m´ as de 150 millones de usuarios activos en meses) sin degradaci´ on significativa del rendimiento. El sistema de autenticaci´ on ´ unico (Google Sign-In) permite gestionar cuentas de estudiantes y docentes de forma centralizada, con pol´ ıticas de seguridad y control de acceso basadas en grupos. La flexibilidad temporal es otra dimensi´ on revolucionaria. Los horarios r´ ıgidos de la escuela tradicional (clases de 50 minutos, recreos fijos, jornada laboral del docente) se diluyen cuando los materiales est´ an disponibles 24/7 en Google Drive, las tareas se pueden entregar hasta Abraham Zamudio 36 PIT: Python Basico

Sesion 1 una fecha l´ ımite (no una hora exacta)
y las grabaciones de las videoconferencias de Meet quedan alojadas para su reproducci´ on as´ ıncrona. Esto beneficia especialmente a colectivos con restricciones horarias: adultos trabajadores que estudian por la noche, estudiantes con enfermedades cr´ onicas que no pueden asistir presencialmente todos los d´ ıas, j´ ovenes deportistas de alto rendimiento con giras, o alumnos de zonas rurales donde la conectividad es intermitente (pueden descargar material cuando hay se˜ nal y trabajar sin conexi´ on). Google Drive permite el modo offline sincronizado: los cambios realizados sin Internet se suben autom´ aticamente al recuperar la conexi´ on. Ejemplo de escalamiento: el caso del Distrito Escolar de Los ´ Angeles (LAUSD). El segundo distrito escolar m´ as grande de Estados Unidos (m´ as de 600.000 estudiantes) migr´ o completamente a Google Classroom en 2020. Utilizaron 500.000 Chromebooks y formaron a 75.000 docentes en menos de tres meses. La plataforma manej´ o picos de 1,2 millones de entregas de tareas por hora sin incidentes. Este caso demostr´ o que la infraestructura de Google pod´ ıa soportar la educaci´ on obligatoria a escala metropolitana, aunque tambi´ en evidenci´ o brechas: un 30 % de los estudiantes carec´ ıan de conectividad de banda ancha, lo que llev´ o al distrito a instalar puntos de acceso WiFi en estacionamientos escolares y a repartir routers m´ oviles. Aprendizaje personalizado: adaptaci´ on a ritmos e intereses individuales M´ as all´ a de la mera disponibilidad de contenidos, la transformaci´ on de la educaci´ on virtual busca adaptar la experiencia de aprendizaje a las caracter´ ısticas de cada estudiante. Google ofrece varias herramientas que, aunque no constituyen un sistema completo de tutor´ ıa inteligente (como los basados en IA adaptativa de Khan Academy o Carnegie Learning), permiten aproximaciones pragm´ aticas de bajo costo. Cuestionarios adaptativos con Google Forms y Apps Script. Un formulario de Google Forms puede incluir l´ ogica de salto (ir a la secci´ on X si la respuesta es A, a la secci´ on Y si es B). Esto permite crear rutas de aprendizaje diferenciadas: un alumno que demuestra dominio en un cuestionario inicial es redirigido a actividades de profundizaci´ on, mientras que otro que tiene dificultades recibe enlaces a v´ ıdeos explicativos de YouTube y ejercicios adicionales. Mediante Google Apps Script (un lenguaje basado en JavaScript que automatiza tareas en los servicios de Google), se pueden crear flujos m´ as complejos: correos electr´ onicos personalizados con retroalimentaci´ on, generaci´ on autom´ atica de certificados, o volcado de resultados a una hoja de c´ alculo de Google Sheets para que el docente analice patrones. Recomendaci´ on de recursos mediante YouTube y la API de datos. El algoritmo de recomendaci´ on de YouTube, basado en redes neuronales profundas (sistema de dos torres: una para el usuario y otra para el v´ ıdeo), puede adaptarse a contextos educativos. Si un estudiante ve v´ ıdeos de matem´ aticas de cierto canal, YouTube le sugerir´ a otros contenidos similares. Los docentes pueden crear listas de reproducci´ on tem´ aticas y usar la opci´ on “restringir a contenido educativo” para filtrar. Adem´ as, la API de YouTube permite integrar recomendaciones personalizadas dentro de Classroom (por ejemplo, un bot´ on “Actividades sugeridas basadas en tu rendimiento en el ´ ultimo examen”). Abraham Zamudio 37 PIT: Python Basico

Sesion 1 Limitaciones y comparaci´ on con sistemas adaptativos de
´ elite. Los sistemas de Google actuales no alcanzan la sofisticaci´ on de plataformas como ALEKS (Assessment and LEarning in Knowledge Spaces), que modela el conocimiento del estudiante mediante teor´ ıa de conjuntos y espacios de conocimiento, o Cognitive Tutor de Carnegie Learning, que utiliza modelos cognitivos y seguimiento de errores. La personalizaci´ on de Google es, en su mayor´ ıa, reactiva (basada en reglas si-entonces) y no predictiva. Sin embargo, la reciente integraci´ on de modelos de lenguaje grande (LLM) como PaLM 2 y Gemini en Google Workspace (por ejemplo, “Help me write” en Docs, o “auto-grading suggestions” en Classroom) promete cerrar la brecha. En 2024, Google anunci´ o “Tutor de IA experimental” dentro de Classroom: un chatbot que, en lugar de dar la respuesta, hace preguntas socr´ aticas guiando al estudiante a la soluci´ on. Esta funcionalidad, a´ un en pruebas, representa un avance hacia la personalizaci´ on genuina. Certificaciones y formaci´ on docente: condici´ on necesaria para la transformaci´ on La mera implantaci´ on de herramientas digitales no transforma la educaci´ on si los docentes no cambian sus pr´ acticas pedag´ ogicas. Google ha abordado este desaf´ ıo a trav´ es de un ecosistema de certificaciones y programas de desarrollo profesional que, a fecha de 2024, han alcanzado a m´ as de 2 millones de educadores en todo el mundo. Estructura del programa “Google for Education Certified Educator”. El programa consta de varios niveles: Nivel 1 (Fundamentos): Certifica que el docente sabe utilizar las herramientas b´ asicas (Classroom, Drive, Docs, Forms, Meet, Calendar) para mejorar la ense˜ nanza y la productividad. El examen de 3 horas consta de preguntas pr´ acticas (realizar una tarea espec´ ıfica dentro de un entorno simulado) y te´ oricas. Nivel 2 (Avanzado): Se centra en estrategias de integraci´ on curricular, an´ alisis de datos de aprendizaje, gamificaci´ on con Google Forms, uso de extensiones y complementos, y proyectos colaborativos complejos. Certified Trainer: Para docentes que desean formar a otros colegas. Incluye habilidades de presentaci´ on, dise˜ no de talleres y conocimientos sobre gesti´ on de cambio institucional. Certified Innovator (por invitaci´ on): Programa inmersivo de 2-3 d´ ıas (presencial o virtual) donde los docentes desarrollan un proyecto de innovaci´ on (por ejemplo, usar inteligencia artificial para retroalimentaci´ on de ensayos) y se convierten en referentes regionales. Impacto y cr´ ıticas. Estudios independientes (por ejemplo, de la Universidad de Stanford, 2021) han encontrado que los docentes certificados por Google integran la tecnolog´ ıa de manera m´ as significativa (no solo como sustituto de herramientas anal´ ogicas) y reportan una mayor autoeficacia digital. Sin embargo, el programa ha sido criticado por ser demasiado centrado en los productos de Google (lo que genera dependencia de proveedor) y por no abordar suficientemente las competencias pedag´ ogicas digitales gen´ ericas (modelos como TPACK o SAMR). Adem´ as, el costo de los ex´ amenes (10-25 d´ olares por nivel) puede ser Abraham Zamudio 38 PIT: Python Basico

Sesion 1 prohibitivo en pa´ ıses de bajos ingresos, aunque
Google ofrece becas a trav´ es de organizaciones socias. Comunidades de pr´ actica y recursos gratuitos. M´ as all´ a de la certificaci´ on formal, Google fomenta comunidades como “Google for Education Groups” (GFEGs), reuniones locales virtuales o presenciales donde docentes comparten buenas pr´ acticas, resuelven dudas y colaboran en proyectos. El sitio “Teacher Center” (teachercenter.withgoogle.com) ofrece cientos de cursos gratuitos, planes de lecciones y gu´ ıas descargables, sin necesidad de certificaci´ on. Esta democratizaci´ on del conocimiento docente ha sido crucial en pa´ ıses donde la formaci´ on continua es escasa. Desaf´ ıos persistentes de la educaci´ on virtual A pesar de los avances, la transformaci´ on de la educaci´ on virtual mediada por Google enfrenta obst´ aculos profundos que no pueden resolverse ´ unicamente con tecnolog´ ıa. Brecha digital de acceso (primer nivel). La Organizaci´ on para la Cooperaci´ on y el Desarrollo Econ´ omicos (OCDE) estima que en 2023, el 25 % de los hogares en pa´ ıses de ingresos medios y el 60 % en pa´ ıses de bajos ingresos carec´ ıan de acceso a Internet de banda ancha en el hogar. Incluso en Estados Unidos, la FCC (Comisi´ on Federal de Comunicaciones) calcula que 14 millones de estudiantes no tienen conectividad adecuada para la educaci´ on virtual. Google ha intentado mitigar esto mediante proyectos como “Google Station” (WiFi gratuito en lugares p´ ublicos, discontinuado en 2020), “Loon” (globos estratosf´ ericos, cerrado en 2021) y, m´ as recientemente, “Google for Education: Offline” (sincronizaci´ on diferida). Sin embargo, la responsabilidad principal recae en los gobiernos y las pol´ ıticas de infraestructura. Sin conectividad universal, la transformaci´ on virtual excluye precisamente a los estudiantes m´ as vulnerables, ampliando la brecha educativa. Brecha digital de uso (segundo nivel). Incluso con acceso a dispositivos e Internet, muchos docentes y estudiantes carecen de competencias digitales suficientes. Un estudio de la UNESCO (2022) en 14 pa´ ıses de Am´ erica Latina encontr´ o que solo el 35 % de los docentes se sent´ ıan capaces de dise˜ nar actividades de aprendizaje colaborativo en l´ ınea utilizando herramientas como Google Docs. La formaci´ on docente sigue siendo insuficiente y, a menudo, se centra en aspectos t´ ecnicos (“c´ omo usar Classroom”) en lugar de pedag´ ogicos (“para qu´ e usar Classroom en funci´ on de los objetivos de aprendizaje”). Adem´ as, los estudiantes pueden tener habilidades informales para redes sociales, pero no para buscar informaci´ on cr´ ıtica, evaluar fuentes o colaborar de manera efectiva. Google ha desarrollado el plan de estudios “Be Internet Awesome” (con juegos como Interland) para ense˜ nar ciudadan´ ıa digital a ni˜ nos, pero su adopci´ on es voluntaria. Transposici´ on did´ actica inercial. Un fen´ omeno ampliamente documentado es que muchos docentes utilizan las herramientas digitales como un simple sustituto de las anal´ ogicas: suben PDFs de los libros de texto a Classroom, piden res´ umenes copiados (que pueden ser f´ acilmente plagiados de Wikipedia), y utilizan los cuestionarios de Forms solo para evaluar memorizaci´ on. Esta “pr´ actica de sustituci´ on” (nivel 1 del modelo SAMR) no aprovecha las capacidades Abraham Zamudio 39 PIT: Python Basico

Sesion 1 transformadoras de la tecnolog´ ıa (modificaci´ on y
redefinici´ on). Para superar esto, se necesitan comunidades de pr´ actica, acompa˜ namiento pedag´ ogico continuo y sistemas de incentivos que valoren la innovaci´ on. Google ha lanzado el programa “Reference Schools” (escuelas referentes) que documentan y difunden casos de uso avanzado, pero el cambio a escala requiere d´ ecadas. Sobrecarga y agotamiento docente. La educaci´ on virtual, especialmente durante la pandemia, condujo a un aumento de la carga de trabajo de los docentes: atender correos electr´ onicos a cualquier hora, calificar tareas entregadas digitalmente (a menudo fuera del horario laboral), gestionar problemas t´ ecnicos y mantener el contacto emocional con estudiantes distantes. Google Meet introdujo funciones como “levantar la mano”, salas de grupo y encuestas, pero no resuelve el agotamiento. Algunas escuelas han establecido pol´ ıticas de “derecho a la desconexi´ on”, pero la tecnolog´ ıa facilita la disponibilidad permanente. La inteligencia artificial podr´ ıa aliviar parte de la carga (correcci´ on autom´ atica de ejercicios cerrados, res´ umenes de discusiones), pero tambi´ en podr´ ıa aumentar las expectativas sobre el docente. El futuro de la educaci´ on virtual con Alphabet: m´ as all´ a de Google Mirando hacia adelante, las innovaciones provenientes del resto de Alphabet Inc. (las “otras apuestas”) y las nuevas capacidades de inteligencia artificial integradas en Google prometen transformar a´ un m´ as la educaci´ on virtual, pero tambi´ en plantean interrogantes ´ eticos. Inteligencia artificial generativa en el aula. A partir de 2023, Google ha integrado modelos fundacionales (Gemini, anteriormente Bard) en Workspace for Education. Las aplicaciones potenciales son m´ ultiples: Asistente de planificaci´ on docente: Dado un tema y un nivel educativo, Gemini genera un plan de clase completo con objetivos, actividades, recursos y evaluaci´ on. El profesor puede editar y personalizar. Retroalimentaci´ on autom´ atica de ensayos: Los modelos de lenguaje pueden evaluar la estructura, la coherencia, la gram´ atica y la argumentaci´ on, proporcionando comentarios inmediatos al estudiante. Sin embargo, la calidad de la retroalimentaci´ on sobre creatividad o pensamiento cr´ ıtico a´ un es limitada. Tutor virtual personalizado: A trav´ es de un chat integrado en Classroom, los estudiantes pueden hacer preguntas y recibir explicaciones adaptadas a su nivel. El tutor no da respuestas directas, sino que gu´ ıa mediante preguntas (aprendizaje socr´ atico). La versi´ on experimental de “AI Tutor” est´ a siendo probada en universidades de Estados Unidos. Adaptaci´ on de textos a m´ ultiples niveles de lectura: Un mismo contenido (por ejemplo, un art´ ıculo sobre la Revoluci´ on Francesa) puede ser presentado en versi´ on simplificada para estudiantes con dificultades, versi´ on est´ andar para la mayor´ ıa, y versi´ on avanzada para estudiantes de alto rendimiento. Esto se logra mediante t´ ecnicas de simplificaci´ on autom´ atica de textos. Los riesgos incluyen la alucinaci´ on (el modelo inventa hechos), el sesgo en la evaluaci´ on (puede Abraham Zamudio 40 PIT: Python Basico

Sesion 1 penalizar estilos de escritura no est´ andar), y
la dependencia excesiva (los estudiantes dejan de esforzarse por pensar por s´ ı mismos). Google ha implementado salvaguardas como la exigencia de revisi´ on humana para calificaciones autom´ aticas y la transparencia sobre el uso de IA. Realidad virtual y aumentada: Google Expeditions y m´ as all´ a. Aunque Google cerr´ o la aplicaci´ on “Expeditions” (realidad virtual para excursiones escolares) en 2021, la tecnolog´ ıa subyacente ha sido integrada en Google Arts & Culture y en Google Earth VR (para dispositivos como Oculus Quest). Los estudiantes pueden realizar visitas virtuales a museos, sitios arqueol´ ogicos o incluso la Estaci´ on Espacial Internacional. En el futuro, la inversi´ on de Alphabet en AR/VR (a trav´ es de Google Glass Enterprise Edition y proyectos de X) podr´ ıa permitir laboratorios virtuales de qu´ ımica o biolog´ ıa sin riesgo de accidentes, y simulaciones hist´ oricas inmersivas. Verily y la salud en el entorno educativo. Verily, la subsidiaria de ciencias de la vida de Alphabet, est´ a desarrollando sensores port´ atiles y plataformas de an´ alisis de datos de salud. Aplicaciones en educaci´ on podr´ ıan incluir la detecci´ on temprana de problemas de visi´ on o audici´ on en escolares (usando dispositivos de bajo costo), el seguimiento de la fatiga y el estr´ es mediante wearables (respetando la privacidad), y la gesti´ on de brotes infecciosos en colegios a trav´ es de modelos predictivos. Sin embargo, estas aplicaciones suscitan debates sobre la medicalizaci´ on de la educaci´ on y el acceso de las aseguradoras a los datos de salud de los menores. Ciudades inteligentes (Sidewalk Labs) y campus educativos. Aunque Sidewalk Labs redujo sus ambiciones de construir ciudades enteras, sus tecnolog´ ıas de sensores urbanos y gesti´ on de datos podr´ ıan aplicarse a campus universitarios inteligentes: monitorizaci´ on de ocupaci´ on de aulas (para optimizar el uso de energ´ ıa), rutas de evacuaci´ on din´ amicas, y sistemas de recomendaci´ on de espacios de estudio basados en disponibilidad y preferencias de ruido. La integraci´ on con Google Calendar permitir´ ıa reservar salas autom´ aticamente. Cuestiones ´ eticas y de gobernanza. El futuro de la educaci´ on virtual con Alphabet plantea preguntas fundamentales que deben ser resueltas por la sociedad, no solo por la tecnolog´ ıa: Privacidad de datos de menores: ¿Hasta qu´ e punto es aceptable que Google (o una subsidiaria) recopile y analice el rendimiento acad´ emico, las interacciones en Classroom, los patrones de escritura, las grabaciones de Meet y los datos biom´ etricos de estudiantes? La normativa COPPA (en EE.UU.) y GDPR (en Europa) establecen l´ ımites, pero la aplicaci´ on es d´ ebil. Sesgo algor´ ıtmico en evaluaciones: Si un sistema de IA recomienda una nota o una trayectoria educativa (por ejemplo, “este estudiante deber´ ıa ir a formaci´ on profesional en lugar de universidad”), puede perpetuar desigualdades socioecon´ omicas o raciales presentes en los datos de entrenamiento. Propiedad intelectual: Los contenidos generados por IA en Google Docs (por ejemplo, un ensayo co-creado con el tutor de IA) ¿son propiedad del estudiante, de la escuela o Abraham Zamudio 41 PIT: Python Basico

Sesion 1 de Google? Los t´ erminos de servicio actuales
ceden una licencia amplia a Google, pero para uso educativo podr´ ıan requerirse cl´ ausulas especiales. Dependencia de un solo proveedor: Si una escuela o distrito utiliza Classroom, Chromebooks, Meet, Drive, AI Tutor y eventualmente sensores de Verily, el costo de cambiar a otra plataforma (Moodle, Microsoft Teams, Apple) es prohibitivo. Alphabet podr´ ıa ejercer un poder monop´ olico sobre la educaci´ on digital, similar al que tiene en la b´ usqueda publicitaria. Conclusi´ on: hacia una educaci´ on virtual h´ ıbrida y responsable La transformaci´ on impulsada por Google en la educaci´ on virtual es innegable y, en muchos aspectos, positiva: ha permitido la continuidad pedag´ ogica durante crisis, ha flexibilizado el acceso para colectivos desfavorecidos, ha fomentado la colaboraci´ on y ha comenzado a introducir la personalizaci´ on basada en datos. Sin embargo, no es una panacea. Las brechas de acceso, uso y pr´ acticas pedag´ ogicas persisten, y a menudo se profundizan. El futuro apunta a una educaci´ on h´ ıbrida (presencial + virtual) donde la tecnolog´ ıa act´ ue como amplificadora, no como sustituta de la relaci´ on humana entre docente y estudiante. Alphabet, a trav´ es de Google y sus otras apuestas, seguir´ a innovando, pero corresponde a los educadores, los legisladores y la sociedad civil establecer los l´ ımites ´ eticos y las pol´ ıticas de equidad que garanticen que la tecnolog´ ıa sirva a la educaci´ on, y no al rev´ es. Esta subsecci´ on forma parte del an´ alisis integral de Alphabet, y los problemas de privacidad y monopolio mencionados aqu´ ı se profundizar´ an en la secci´ on 9 de este art´ ıculo. En conclusi´ on, el impacto de Google en la educaci´ on ha sido profundo y multidimensional, democratizando el acceso a herramientas antes exclusivas, facilitando la colaboraci´ on en tiempo real y acelerando la transici´ on hacia modelos virtuales. No obstante, su adopci´ on requiere pol´ ıticas de equidad, formaci´ on docente y salvaguardas de privacidad para que los beneficios superen a los riesgos. 5. Influencia de Google en la Comunicaci´ on y la Vida Cotidiana 5.1. Uso masivo de Gmail Lanzado el 1 de abril de 2004 como un servicio de correo electr´ onico con una capacidad de almacenamiento de 1 GB —500 veces superior a la oferta de Hotmail y Yahoo! Mail en ese momento—, Gmail revolucion´ o la comunicaci´ on digital. La estrategia de invitaciones (solo por invitaci´ on durante sus primeros a˜ nos) gener´ o una escasez artificial que aliment´ o la demanda viral. En la actualidad, Gmail supera los 1.800 millones de usuarios activos (datos de 2023), consolid´ andose como el cliente de correo m´ as utilizado del mundo. Su ´ exito se basa en varias innovaciones t´ ecnicas y de experiencia de usuario: B´ usqueda integrada: A diferencia de los clientes de correo tradicionales que requer´ ıan organizar manualmente los mensajes en carpetas, Gmail incorpor´ o el motor de b´ usqueda Abraham Zamudio 42 PIT: Python Basico

Sesion 1 de Google directamente en el buz´ on, permitiendo
localizar cualquier mensaje por remitente, asunto, palabra clave o fecha en milisegundos. Conversaciones en hilo (threading): Los mensajes de una misma cadena se agrupan visualmente, evitando la saturaci´ on de la bandeja de entrada. Almacenamiento compartido y etiquetas (labels): En lugar de carpetas exclusivas, Gmail introdujo un sistema de etiquetas que permite clasificar un mismo mensaje en m´ ultiples categor´ ıas sin duplicarlo. El almacenamiento se comparte con Google Drive y Google Photos (actualmente 15 GB gratuitos). Filtros y respuesta autom´ atica: Los usuarios pueden crear reglas para clasificar, archivar o eliminar mensajes seg´ un criterios, as´ ı como utilizar respuestas inteligentes (Smart Replies) basadas en redes neuronales que sugieren respuestas cortas. Seguridad: Gmail fue pionero en el uso de HTTPS por defecto, autenticaci´ on de dos factores, y detecci´ on de phishing mediante aprendizaje autom´ atico. El sistema bloquea m´ as de 100 millones de correos maliciosos al d´ ıa, seg´ un Google. El impacto de Gmail trasciende lo t´ ecnico. Ha transformado la comunicaci´ on personal y profesional al hacer que el correo electr´ onico sea accesible desde cualquier dispositivo con conexi´ on a Internet, gratuito, y con una capacidad de almacenamiento que elimin´ o la necesidad de borrar mensajes. Para las empresas, la integraci´ on con Google Workspace (antiguo G Suite) permite usar Gmail con dominio propio, calendario compartido, y gesti´ on de grupos. Sin embargo, el modelo de negocio basado en el escaneo automatizado de correos para mostrar publicidad contextual (eliminado en 2017 para cuentas gratuitas, pero a´ un presente en an´ alisis de datos agregados) ha suscitado controversias sobre privacidad que se analizan en la secci´ on 9. 5.2. Videoconferencias mediante Google Meet Originalmente lanzado como “Google Hangouts” en 2013 y rebautizado como “Google Meet” en 2020, este servicio de videoconferencias se convirti´ o en una herramienta esencial durante la pandemia de COVID-19, alcanzando los 100 millones de usuarios diarios en abril de 2020. Meet compite directamente con Zoom, Microsoft Teams y Cisco Webex, diferenci´ andose por su integraci´ on nativa con el ecosistema de Google y su arquitectura basada en est´ andares abiertos (WebRTC). Funcionalidades t´ ecnicas clave. Cifrado en tr´ ansito y en reposo: Todas las transmisiones de v´ ıdeo y audio est´ an cifradas con TLS (Transport Layer Security) y los datos almacenados en los servidores de Google se protegen mediante AES-256. Adaptaci´ on din´ amica de bitrate: Meet utiliza algoritmos de control de congesti´ on que reducen autom´ aticamente la resoluci´ on del v´ ıdeo cuando la conexi´ on empeora, priorizando la fluidez sobre la calidad. Abraham Zamudio 43 PIT: Python Basico

Sesion 1 Transcripci´ on autom´ atica y subt´ ıtulos en
tiempo real: Gracias a los modelos de reconocimiento de voz de Google (basados en redes neuronales recurrentes y transformadores), Meet genera subt´ ıtulos en m´ as de 20 idiomas con baja latencia. Ruido de fondo cancelable: Mediante redes neuronales profundas entrenadas con miles de horas de grabaciones, Meet puede filtrar el ruido ambiente (teclados, aspiradoras, ni˜ nos llorando) y aislar la voz del hablante. Integraci´ on con Google Calendar y Gmail: Desde un evento en Calendar se genera autom´ aticamente el enlace de Meet, y desde Gmail se puede iniciar o unirse a una reuni´ on sin abrir otra aplicaci´ on. Impacto en la comunicaci´ on profesional y educativa. Meet ha democratizado el acceso a la videoconferencia de alta calidad, ya que es gratuito para reuniones de hasta 60 minutos (100 minutos durante la pandemia) y soporta hasta 500 participantes en la versi´ on Enterprise. Instituciones educativas utilizan Meet para clases virtuales (con funciones como “levantar la mano”, salas de grupo, y pizarra digital); empresas para teletrabajo; y familias para comunicaci´ on a distancia. La integraci´ on con Google Classroom permite a los profesores iniciar reuniones directamente desde la tarea o el anuncio. Sin embargo, Meet ha sido criticado por consumir m´ as recursos de CPU que Zoom en equipos de gama baja, y por carecer de funciones avanzadas como fondos virtuales personalizables (aunque se a˜ nadieron en 2021). Aun as´ ı, su adopci´ on masiva ha contribuido a normalizar la comunicaci´ on remota, reduciendo los costes de desplazamiento y la huella de carbono asociada al transporte. 5.3. Navegaci´ on y geolocalizaci´ on con Google Maps Lanzado en febrero de 2005, Google Maps transform´ o la forma en que las personas navegan por el mundo f´ ısico, combinando mapas vectoriales, im´ agenes satelitales, Street View (vista panor´ amica a nivel de calle), tr´ afico en tiempo real y planificaci´ on de rutas multimodal (coche, transporte p´ ublico, bicicleta, peat´ on). Con m´ as de 1.000 millones de usuarios activos mensuales, Maps es uno de los servicios m´ as ubicuos de Google. Tecnolog´ ıa subyacente. Im´ agenes satelitales y a´ ereas: Google adquiere im´ agenes de proveedores comerciales (DigitalGlobe, Maxar) y tambi´ en utiliza su propia flota de aviones y veh´ ıculos para Street View. Las im´ agenes se ortorectifican y se combinan en mosaicos globales mediante algoritmos de stitching. Modelos de elevaci´ on digital (DEM): Para rutas en terrenos monta˜ nosos, Maps utiliza datos de elevaci´ on (por ejemplo, SRTM de la NASA) para calcular perfiles altim´ etricos. Actualizaci´ on de tr´ afico en tiempo real: Google recopila datos an´ onimos de velocidad y ubicaci´ on de los tel´ efonos Android y de los dispositivos con el SDK de Google Maps incorporado (por ejemplo, Uber, Waze —adquirido por Google en 2013—). Abraham Zamudio 44 PIT: Python Basico

Sesion 1 Los algoritmos de fusi´ on de datos estiman
la congesti´ on y predicen tiempos de viaje con modelos de redes neuronales recurrentes (LSTM) que aprenden patrones hist´ oricos. C´ alculo de rutas: El algoritmo de Dijkstra cl´ asico se ejecuta sobre un grafo de v´ ıas con pesos din´ amicos (tiempo de viaje actualizado cada minuto). Para rutas de larga distancia, se utilizan t´ ecnicas de jerarqu´ ıa de carreteras y precomputaci´ on de rutas alternativas (A* con heur´ ısticas). Impacto social y cotidiano. Maps ha eliminado la necesidad de mapas de papel, GPS dedicados y preguntar direcciones a extra˜ nos. Las rutas paso a paso con indicaciones de voz permiten conducir sin mirar la pantalla, reduciendo la carga cognitiva. La funci´ on “Explorar” sugiere restaurantes, tiendas y lugares de inter´ es bas´ andose en la ubicaci´ on y en las rese˜ nas de Google. Para los peatones, Maps ofrece rutas accesibles para sillas de ruedas y mapas interiores de centros comerciales, aeropuertos y museos. En emergencias, la localizaci´ on precisa compartida por Google Maps (a trav´ es del servicio de ubicaci´ on “Emergency Sharing”) ha ayudado a servicios de rescate a encontrar a personas extraviadas. Sin embargo, la dependencia de Maps ha atrofiado la capacidad de orientaci´ on espacial de muchos usuarios (fen´ omeno conocido como “externalizaci´ on de la memoria geogr´ afica”). Tambi´ en ha generado controversias por la recopilaci´ on masiva de datos de ubicaci´ on, incluso cuando los usuarios creen tener la funci´ on desactivada (lo que llev´ o a demandas y a cambios en las pol´ ıticas de privacidad). 5.4. Consumo audiovisual a trav´ es de YouTube Adquirido por Google en 2006 por 1.650 millones de d´ olares en acciones, YouTube se ha convertido en la plataforma de v´ ıdeo m´ as grande del mundo, con m´ as de 2.500 millones de usuarios activos mensuales y 500 horas de contenido subido cada minuto. YouTube es el segundo motor de b´ usqueda m´ as utilizado (solo por detr´ as del propio Google) y ha transformado el consumo de entretenimiento, noticias, educaci´ on y marketing. Evoluci´ on t´ ecnica. Inicialmente, YouTube serv´ ıa v´ ıdeos en formato Flash (FLV) con una calidad m´ axima de 480p. Con el tiempo, adopt´ o HTML5, c´ odecs de compresi´ on avanzados (H.264, VP9, AV1), y streaming adaptativo (Dynamic Adaptive Streaming over HTTP, DASH) que ajusta la resoluci´ on seg´ un el ancho de banda disponible. El sistema de recomendaciones de YouTube, basado en redes neuronales profundas (colaborativas y de contenido), es responsable del 70 % del tiempo de visualizaci´ on. El algoritmo tiene en cuenta el historial de visionado, el tiempo de reproducci´ on, los “me gusta”, los comentarios y la retenci´ on de audiencia para sugerir el siguiente v´ ıdeo. Impacto cultural y econ´ omico. YouTube ha democratizado la producci´ on audiovisual: cualquier persona con un tel´ efono inteligente puede crear y distribuir contenido globalmente sin necesidad de una cadena de televisi´ on. Ha dado lugar a nuevas profesiones (creadores, youtubers, influencers), que monetizan mediante anuncios (Google AdSense), patrocinios y membres´ ıas de canal. El sistema de Partner Program, que comparte ingresos publicitarios con los creadores, ha pagado miles de millones de d´ olares a lo largo de los a˜ nos. Por otro lado, YouTube ha sido criticado por la propagaci´ on de desinformaci´ on (teor´ ıas de conspiraci´ on, Abraham Zamudio 45 PIT: Python Basico

Sesion 1 negacionismo clim´ atico), la radicalizaci´ on a trav´
es de “burbujas de filtro” (el algoritmo tiende a recomendar contenido cada vez m´ as extremo para mantener la atenci´ on), y la exposici´ on de ni˜ nos a contenido inapropiado a pesar de la plataforma “YouTube Kids”. Google ha implementado medidas como el etiquetado de informaci´ on verificada, la demonetizaci´ on de contenido controvertido y el uso de inteligencia artificial para detectar violaciones de pol´ ıticas, pero los desaf´ ıos persisten. 5.5. Dependencia tecnol´ ogica en la rutina diaria La integraci´ on de los servicios de Google en la vida cotidiana ha generado un nivel de dependencia sin precedentes. Millones de personas comienzan el d´ ıa revisando Gmail, utilizan Google Maps para ir al trabajo, ven videos en YouTube durante el descanso, editan documentos en Drive de forma colaborativa, se comunican por Meet con colegas remotos y organizan sus tareas con Calendar. Esta ubicuidad ofrece comodidades innegables: eficiencia, ahorro de tiempo, acceso inmediato a informaci´ on. Sin embargo, tambi´ en conlleva riesgos: S´ ındrome de abstinencia digital: La interrupci´ on del servicio (por ca´ ıda de servidores o p´ erdida de conexi´ on) genera ansiedad y sensaci´ on de “par´ alisis funcional”, evidenciando cu´ antos procesos cotidianos dependen de la nube de Google. P´ erdida de autonom´ ıa: La externalizaci´ on de la memoria (Gmail almacena correos, Drive guarda documentos, Photos archiva im´ agenes) puede reducir la capacidad de recordar datos o de gestionar archivos localmente. La desaparici´ on de un servicio (como ocurri´ o con Google Reader en 2013 o con Google+ en 2019) deja a los usuarios sin alternativas inmediatas. Obsolescencia de competidores locales: La gratuidad y calidad de los servicios de Google ha arrinconado a proveedores nacionales de correo, mapas o videoconferencias en muchos pa´ ıses. Esto crea un monopolio de facto que reduce la diversidad de opciones. Brecha generacional: Las personas mayores que no adoptaron estas tecnolog´ ıas quedan marginadas en tr´ amites bancarios, citas m´ edicas o comunicaciones familiares que cada vez m´ as se canalizan a trav´ es de servicios de Google. Alphabet es consciente de esta dependencia y ha establecido programas como “Google Takeout” (exportaci´ on de datos a formatos est´ andar) y “Inactive Account Manager” (gesti´ on de cuentas inactivas), pero la posibilidad real de migrar todo el ecosistema de un usuario a proveedores alternativos (Microsoft, Apple, Amazon) es reducida debido a la falta de interoperabilidad y a la inercia conductual. La dependencia tecnol´ ogica no es un fallo del dise˜ no, sino una consecuencia buscada por el modelo de negocio de plataforma: cuanto m´ as se integran los servicios en la rutina, m´ as valiosos son los datos generados y m´ as fiel es el usuario a largo plazo. Esta subsecci´ on enlaza con los problemas ´ eticos de monopolio y privacidad que se desarrollan en la secci´ on 9, mostrando que la influencia de Google en la comunicaci´ on y la vida cotidiana es un arma de doble filo: facilita la existencia moderna, pero tambi´ en crea una vulnerabilidad sist´ emica. Abraham Zamudio 46 PIT: Python Basico

Sesion 1 6. Google y la Econom´ ıa Digital 6.1.
Publicidad digital y modelo de negocio El modelo de negocio de Google se sustenta casi exclusivamente en la publicidad digital, un ecosistema complejo que combina subastas algor´ ıtmicas, segmentaci´ on masiva de audiencias, an´ alisis predictivo y una infraestructura global de servidores. Aproximadamente el 80 % de los ingresos de Alphabet provienen de Google Ads (anteriormente Google AdWords) y Google AdSense, que en 2023 generaron m´ as de 237 mil millones de d´ olares. Para comprender la magnitud y sofisticaci´ on de este sistema, es necesario desglosar sus componentes t´ ecnicos, econ´ omicos y estrat´ egicos, as´ ı como su evoluci´ on hist´ orica y los desaf´ ıos regulatorios que enfrenta. Evoluci´ on hist´ orica del modelo publicitario de Google Cuando Google lanz´ o AdWords en octubre de 2000, el modelo de publicidad en l´ ınea a´ un estaba dominado por los banners y los acuerdos de costo por mil impresiones (CPM). AdWords introdujo el concepto de pago por clic (PPC) asociado a palabras clave, inicialmente con un sistema de precios fijos. En 2002, Google adopt´ o la subasta de segundo precio (Vickrey- Clarke-Groves adaptada) y el c´ alculo del nivel de calidad (Quality Score), lo que supuso una revoluci´ on: los anuncios se ordenaban no solo por la puja econ´ omica, sino por su relevancia esperada. Esta innovaci´ on aline´ o los incentivos de los tres actores: Google maximiza ingresos, los anunciantes pagan solo por resultados medibles (clics que pueden convertirse en ventas), y los usuarios ven anuncios m´ as pertinentes. En 2003, Google lanz´ o AdSense, que permit´ ıa a los editores de sitios web colocar anuncios contextuales y recibir una parte de los ingresos. En 2010, la introducci´ on de la subasta en tiempo real (RTB) a trav´ es de Google Display Network (DoubleClick, adquirida en 2007) transform´ o la compra program´ atica. En 2018, Google Ads absorbi´ o AdWords y ampli´ o sus formatos a display, v´ ıdeo (YouTube), shopping, aplicaciones y b´ usqueda universal. Actualmente, el sistema procesa m´ as de 8.500 millones de consultas de b´ usqueda al d´ ıa y gestiona subastas en menos de 100 milisegundos, integrando se˜ nales de contexto, hist´ orico y aprendizaje autom´ atico. Fundamentos de la subasta de Google Ads El mecanismo de subasta generalizado de segundo precio. Cuando un usuario introduce una consulta en Google, el sistema activa una subasta en tiempo real entre los anunciantes que han pujado por las palabras clave coincidentes (incluyendo coincidencias amplias, de frase o exactas). Para cada anuncio elegible, se calcula un ranking de anuncio: Ranking del anuncio = Puja m´ axima (CPC) × Nivel de calidad (QS) donde el Nivel de calidad es un valor (t´ ıpicamente entre 1 y 10) que integra tres componentes: 1. Tasa de clics esperada (CTR estimado): se calcula mediante un modelo de regresi´ on log´ ıstica que considera el hist´ orico de CTR de ese anuncio y de anuncios similares en posiciones similares, normalizado por dispositivo, ubicaci´ on y hora. Abraham Zamudio 47 PIT: Python Basico

Sesion 1 2. Relevancia del anuncio: mide la correspondencia entre
las palabras clave del anunciante y la consulta del usuario, as´ ı como la congruencia con el texto del anuncio (t´ ıtulos, descripciones, v´ ınculos de sitio). 3. Experiencia en la p´ agina de destino: eval´ ua la calidad de la URL a la que redirige el anuncio, incluyendo tiempo de carga (Core Web Vitals), usabilidad en m´ oviles, transparencia sobre la pol´ ıtica de privacidad, y relevancia del contenido respecto al anuncio. Los anuncios se ordenan por ranking descendente. El anunciante en la posici´ on i paga el m´ ınimo necesario para mantener su posici´ on, lo que en la subasta de segundo precio generalizada equivale a: Precio real pagadoi = Ranking del siguiente anuncio QSi + 0,01 (en la moneda local) Este precio es siempre menor o igual que la puja m´ axima, y puede ser muy inferior si el nivel de calidad es alto. El mecanismo incentiva a los anunciantes a mejorar la relevancia (aumentar QS) para reducir su coste por clic, lo que mejora la experiencia del usuario. Tipos de subasta seg´ un el objetivo de conversi´ on. Google Ads no se limita al CPC. Los anunciantes pueden elegir estrategias de puja optimizadas para diferentes objetivos: CPM (coste por mil impresiones): para campa˜ nas de notoriedad de marca en la red de display. CPA (coste por adquisici´ on): el anunciante paga solo cuando se completa una acci´ on definida (compra, registro). Google utiliza modelos de conversi´ on probabil´ ısticos basados en datos hist´ oricos. ROAS (retorno de la inversi´ on publicitaria): puja por un porcentaje objetivo de ingresos por gasto publicitario. Requiere la integraci´ on con Google Analytics o la etiqueta de conversi´ on. Venta de inventario program´ atica: a trav´ es de Display & Video 360, los anunciantes pueden pujar en tiempo real por espacios publicitarios en miles de sitios, utilizando algoritmos de puja autom´ atica (bid shading). La subasta en tiempo real para display es a´ un m´ as compleja: intervienen redes de suministro (SSP) y de demanda (DSP), y el intercambio de datos se realiza mediante el protocolo OpenRTB (versi´ on 2.5). Google es el mayor operador de este mercado, procesando m´ as de 200.000 millones de peticiones de subasta diarias. AdSense y la monetizaci´ on de la web abierta AdSense permite a los editores de sitios web (bloques, medios digitales, foros) mostrar anuncios de Google y recibir una comisi´ on. El proceso t´ ecnico es el siguiente: 1. El editor inserta un fragmento de c´ odigo JavaScript (etiqueta AdSense) en su p´ agina. Abraham Zamudio 48 PIT: Python Basico

Sesion 1 2. Cuando un usuario carga la p´ agina,
el c´ odigo env´ ıa una solicitud a los servidores de Google con informaci´ on contextual (palabras clave extra´ ıdas del contenido, idioma, ubicaci´ on, categor´ ıa del sitio). 3. El sistema de Google realiza una subasta entre los anunciantes de la red de display (incluyendo campa˜ nas de Google Ads y de terceros que compran inventario mediante RTB). 4. El anuncio ganador se devuelve como un iframe o una petici´ on de imagen, y se muestra al usuario. 5. Google rastrea los clics y las impresiones, y reparte los ingresos: aproximadamente el 68 % para el editor y el 32 % para Google (porcentajes que var´ ıan seg´ un el formato y el volumen). AdSense ha sido fundamental para financiar la web abierta, permitiendo que sitios peque˜ nos generen ingresos sin necesidad de vender publicidad directamente. En 2023, Google pag´ o m´ as de 30.000 millones de d´ olares a editores a trav´ es de AdSense y AdMob (para aplicaciones m´ oviles). Sin embargo, los editores se quejan de la opacidad en el c´ alculo de la “tasa de retenci´ on” (porcentaje que Google se queda) y de la suspensi´ on arbitraria de cuentas por “tr´ afico inv´ alido” (clics fraudulentos, a menudo generados por bots). Adem´ as, la eliminaci´ on progresiva de las cookies de terceros en Chrome (prevista para finales de 2024) afectar´ a la segmentaci´ on en AdSense, y Google est´ a proponiendo la API de “Topics” como alternativa, que categoriza los intereses del usuario en unos 350 temas, con menor granularidad pero m´ as respetuosa con la privacidad. Red de display y compra program´ atica La red de display de Google (Display & Video 360, antigua DoubleClick Bid Manager) conecta a anunciantes con m´ as de 2 millones de sitios web, aplicaciones y v´ ıdeos. La compra program´ atica se realiza mediante subastas en tiempo real que ocurren en el momento de la carga de la p´ agina. El flujo t´ ıpico es: 1. Un usuario visita un sitio que tiene integrado un espacio publicitario (ad slot). El sitio env´ ıa una petici´ on de subasta a un intercambio (Ad Exchange, como Google AdX) con informaci´ on sobre la p´ agina (URL, categor´ ıa, tama˜ no del anuncio) y el usuario (datos an´ onimos o de cookies). 2. El intercambio transmite la petici´ on a m´ ultiples demand-side platforms (DSPs), entre ellas Google DV360. 3. La DSP eval´ ua en milisegundos si participar, bas´ andose en los datos de segmentaci´ on del anunciante (por ejemplo, mostrar un anuncio de coches a usuarios que han buscado “concesionarios” en la ´ ultima semana). Utiliza modelos de aprendizaje autom´ atico para predecir la probabilidad de clic o conversi´ on. 4. La DSP env´ ıa una puja (bid) al intercambio, que ejecuta una subasta de primer precio (actualmente dominante) o de segundo precio. El ganador es notificado y su anuncio se sirve. Abraham Zamudio 49 PIT: Python Basico

Sesion 1 5. Todo el proceso (time-to-bid) debe completarse en
menos de 100 ms para no ralentizar la carga de la p´ agina. La segmentaci´ on en display puede ser contextual (por palabras clave de la p´ agina), conductual (por historial de navegaci´ on), geogr´ afica, demogr´ afica, por afinidad (intereses a largo plazo) o por remarketing (usuarios que visitaron previamente el sitio del anunciante). El remarketing din´ amico, utilizado en comercio electr´ onico, muestra productos espec´ ıficos que el usuario abandon´ o en el carrito, utilizando feeds de productos de Google Merchant Center. Recopilaci´ on masiva de datos: la materia prima de la segmentaci´ on La precisi´ on de la segmentaci´ on publicitaria de Google se basa en una recopilaci´ on de datos sin precedentes. Las principales fuentes son: B´ usquedas: cada consulta, clic y patr´ on de reformulaci´ on se almacena (anonimizado parcialmente despu´ es de un per´ ıodo). Google infiere intenciones de compra, intereses y contexto a partir de las palabras clave. Historial de ubicaci´ on: los usuarios de Android (y aquellos con Google Maps abierto en iOS) env´ ıan datos de GPS y redes WiFi. Google construye un perfil de lugares visitados (hogar, trabajo, tiendas, restaurantes) y utiliza estos datos para publicidad local (por ejemplo, mostrar un anuncio de una cafeter´ ıa a alguien que ha pasado cerca). Correo electr´ onico (Gmail): hasta 2017, Google escaneaba los correos de los usuarios (en cuentas gratuitas) para segmentar anuncios. Tras las cr´ ıticas y la migraci´ on a G Suite de pago, se detuvo el escaneo para fines publicitarios, pero los datos agregados (por ejemplo, detecci´ on de eventos como “recibo de compra”) pueden seguir utiliz´ andose. YouTube: visualizaciones, b´ usquedas, likes, comentarios y tiempo de visualizaci´ on permiten inferir gustos musicales, afiliaciones pol´ ıticas, intereses de ocio, etc. Los anuncios en YouTube pueden segmentarse por canales, v´ ıdeos espec´ ıficos o temas. Google Play: aplicaciones instaladas, compras dentro de la app, rese˜ nas y categor´ ıas de apps utilizadas (juegos, finanzas, salud) contribuyen al perfil. Socios externos: a trav´ es de la Red de Display de Google, los anunciantes pueden subir listas de correos electr´ onicos de clientes (hash) para hacer “remarketing de lista de clientes” (Customer Match). Adem´ as, Google compra datos de agregadores de terceros (por ejemplo, informaci´ on de cr´ edito, de comportamiento offline) para enriquecer los perfiles. Todos estos datos se integran en un perfil de usuario vinculado a un identificador (Google ID si est´ a autenticado, o una cookie de terceros si no lo est´ a). Los modelos de aprendizaje autom´ atico (en particular, regresiones log´ ısticas, bosques aleatorios y redes neuronales profundas) procesan cientos de miles de se˜ nales para predecir: Probabilidad de clic (pCTR): usada en la subasta para calcular el ranking. Probabilidad de conversi´ on (pCVR): la probabilidad de que, despu´ es del clic, el usuario realice una compra o una acci´ on de valor. Abraham Zamudio 50 PIT: Python Basico

Sesion 1 Valor de conversi´ on esperado (pCV): para campa˜
nas de ROAS. Estas predicciones se actualizan en tiempo real mediante flujos de procesamiento de datos (Apache Beam, Google Cloud Dataflow). La arquitectura escalable maneja picos de tr´ afico (como el Black Friday) sin degradaci´ on. Privacy Sandbox y el fin de las cookies de terceros A partir de 2024, Google Chrome comenzar´ a a eliminar gradualmente el soporte para cookies de terceros (aproximadamente el 1 % de los usuarios en el primer trimestre, y total para finales del a˜ no). Este cambio responde a las presiones regulatorias (GDPR, CCPA) y a la demanda de los usuarios por mayor privacidad. Las cookies de terceros eran el mecanismo principal para el remarketing y la segmentaci´ on conductual entre sitios. Para reemplazarlas, Google ha propuesto la “Privacy Sandbox”, un conjunto de APIs que permiten la publicidad personalizada sin rastreo individual. Las m´ as relevantes son: Topics API: el navegador clasifica los intereses del usuario en aproximadamente 350 temas (por ejemplo, “Deportes”, “Viajes”, “Tecnolog´ ıa”) bas´ andose en el historial de navegaci´ on de las ´ ultimas tres semanas. Los temas se comparten con los sitios web (a trav´ es de una API) sin enviar informaci´ on sobre p´ aginas concretas ni identificadores. Los anunciantes pueden segmentar por temas, no por usuarios individuales. Protected Audience API (antes FLEDGE): permite el remarketing sin cookies. El anunciante carga un “inter´ es” en el navegador del usuario cuando este visita su sitio. Posteriormente, cuando el usuario navega por otro sitio con espacios publicitarios, el navegador ejecuta una subasta local (on-device) entre los intereses almacenados, seleccionando el anuncio sin revelar datos al intercambio. Attribution Reporting API: mide conversiones (clics o vistas que llevan a una compra) utilizando informes agregados y ruido diferencial (differential privacy) para evitar la identificaci´ on individual. Los informes se env´ ıan con retardo y agrupados, de modo que no se puede vincular un clic con una conversi´ on espec´ ıfica a nivel de usuario. La implementaci´ on de la Privacy Sandbox ha sido pol´ emica: los reguladores brit´ anicos (CMA) y la UE investigan si Google est´ a dise˜ nando las APIs de forma que favorezcan su propio ecosistema publicitario frente a la competencia. Por otro lado, los anunciantes y las adtechs temen que la p´ erdida de granularidad reduzca la eficacia de las campa˜ nas. Google ha retrasado el fin de las cookies varias veces (ahora previsto para finales de 2024) y est´ a realizando pruebas con un porcentaje creciente de usuarios. El impacto en los ingresos de Google es dif´ ıcil de predecir, pero la compa˜ n´ ıa conf´ ıa en que sus ventajas de escala (acceso a datos de primera parte a trav´ es de Search, YouTube, Android, Gmail) le permitir´ an mantener el liderazgo incluso en un mundo sin cookies de terceros. Medici´ on, atribuci´ on y fraude publicitario Google proporciona a los anunciantes herramientas avanzadas de medici´ on a trav´ es de Google Analytics (GA4) y su integraci´ on con Google Ads. El modelo de atribuci´ on predeterminado es el “´ ultimo clic”, pero se pueden elegir modelos de primer clic, lineal, decrecimiento temporal Abraham Zamudio 51 PIT: Python Basico

Sesion 1 o basados en datos (data-driven attribution) que asignan
el cr´ edito de una conversi´ on a cada punto de contacto a lo largo del recorrido del usuario. Los modelos basados en datos utilizan algoritmos de Shapley (teor´ ıa de juegos) para distribuir el valor de manera equitativa entre canales (b´ usqueda, display, v´ ıdeo, social, email). El sistema tambi´ en detecta conversiones asistidas y path length. El fraude publicitario (clics fraudulentos generados por bots, granjas de clics o software malicioso) es una amenaza constante. Google utiliza un sistema autom´ atico de detecci´ on de tr´ afico inv´ alido (IVT) que analiza patrones de clics (frecuencia anormal, duraci´ on de la sesi´ on, procedencia de IP sospechosas), comportamiento del navegador (ejecuci´ on de JavaScript, eventos de mouse) y se˜ nales de honeypot. Los clics fraudulentos se filtran y no se cobran al anunciante. Sin embargo, estudios independientes (por ejemplo, de la Asociaci´ on Nacional de Anunciantes) estiman que el frable cuesta a los anunciantes miles de millones al a˜ no, y que Google podr´ ıa tener incentivos para no eliminar todo el fraude, ya que sus ingresos tambi´ en aumentan con clics falsos. La compa˜ n´ ıa ha sido demandada en varias ocasiones (por ejemplo, el caso “Google Click Fraud” de 2006, resuelto con un pago de 90 millones de d´ olares) y ha implementado mejoras como la verificaci´ on de anunciantes (programa de identidad de Google Ads) y la certificaci´ on de inventario (AdSense Certified). No obstante, el fraude sigue siendo un problema no resuelto. Regulaci´ on y poder de mercado El dominio de Google en la publicidad digital ha atra´ ıdo la atenci´ on de las autoridades de competencia en Europa, Estados Unidos y otros pa´ ıses. La Comisi´ on Europea mult´ o a Google con 1.500 millones de euros en 2019 por cl´ ausulas de exclusividad en AdSense que imped´ ıan a los editores mostrar anuncios de buscadores competidores. El Departamento de Justicia de EE.UU. present´ o una demanda antimonopolio en 2023 contra Google, acus´ andola de monopolizar el mercado de la tecnolog´ ıa publicitaria mediante la adquisici´ on de DoubleClick y la integraci´ on forzada de sus herramientas (DFP, AdX, DV360), lo que le permite extraer comisiones elevadas y perjudicar a competidores como The Trade Desk o Magnite. El juicio est´ a previsto para 2025. Si se ordena una ruptura (divestiture), Google podr´ ıa verse obligada a vender su negocio de intercambio de anuncios (AdX) o su servidor de editores (DFP). Esto cambiar´ ıa radicalmente el paisaje de la publicidad digital. El modelo de plataforma de dos lados en perspectiva En esencia, el modelo de negocio de Google es una plataforma de dos lados: los usuarios reciben servicios gratuitos (b´ usqueda, correo, mapas, v´ ıdeos, almacenamiento) a cambio de su atenci´ on y datos; los anunciantes pagan por acceder a esa atenci´ on de forma segmentada. La plataforma se beneficia de fuertes efectos de red cruzados: m´ as usuarios atraen a m´ as anunciantes, y m´ as anunciantes (con mejor segmentaci´ on) mejoran la relevancia de los anuncios para los usuarios, aumentando la retenci´ on. Google ha logrado sostener este c´ ırculo virtuoso durante m´ as de dos d´ ecadas, invirtiendo en infraestructura, innovaci´ on algor´ ıtmica y adquisiciones estrat´ egicas (DoubleClick, AdMob, YouTube). Sin embargo, la creciente regulaci´ on de la privacidad, el auge de los bloqueadores de anuncios, el cambio hacia un ecosistema sin cookies y las presiones antimonopolio plantean desaf´ ıos existenciales. Alphabet est´ a diversificando sus Abraham Zamudio 52 PIT: Python Basico

Sesion 1 ingresos hacia la nube (Google Cloud, que en
2023 gener´ o 33 mil millones de d´ olares, a´ un con p´ erdidas), hardware y suscripciones (YouTube Premium, Google One), pero la publicidad sigue siendo la columna vertebral. Comprender su funcionamiento interno no es solo una necesidad t´ ecnica, sino tambi´ en un requisito para analizar el poder econ´ omico y social de la empresa m´ as influyente de la era digital. 6.2. Importancia de Google Ads para empresas y emprendedores Para peque˜ nas y medianas empresas (PYMEs) y emprendedores, Google Ads ha democratizado el acceso a la publicidad masiva de una manera que no tiene precedentes en la historia del marketing. Antes de la era digital, una campa˜ na publicitaria en televisi´ on, radio, prensa escrita o vallas publicitarias requer´ ıa inversiones iniciales de cientos de miles de d´ olares, contratos a largo plazo y una segmentaci´ on muy gruesa (por ejemplo, por franja horaria o por zona geogr´ afica amplia). Esto exclu´ ıa a la inmensa mayor´ ıa de los peque˜ nos negocios, que depend´ ıan del boca a boca, los directorios locales o la publicidad en peri´ odicos de tirada limitada. Con Google Ads, cualquier empresa —desde una panader´ ıa de barrio hasta una startup tecnol´ ogica— puede iniciar una campa˜ na con presupuestos tan reducidos como 10 d´ olares diarios, ajustar pujas por palabra clave en tiempo real, medir el retorno de la inversi´ on (ROI) con una precisi´ on casi quir´ urgica y pausar anuncios inmediatamente si no son rentables. Esta secci´ on analiza en profundidad los mecanismos, las ventajas estrat´ egicas, el impacto econ´ omico cuantificable, los casos de ´ exito, las cr´ ıticas y los riesgos de dependencia, as´ ı como las alternativas emergentes y el futuro de la publicidad digital para el segmento empresarial m´ as din´ amico. Evoluci´ on y accesibilidad financiera Cuando Google lanz´ o AdWords en el a˜ no 2000, el coste m´ ınimo por clic era de 0.05 d´ olares y no exist´ ıa un presupuesto diario m´ ınimo. Sin embargo, la complejidad de la plataforma y la necesidad de conocimientos t´ ecnicos limitaban su uso a empresas con departamentos de marketing digital o agencias especializadas. A lo largo de los a˜ nos, Google simplific´ o la interfaz, introdujo el modo “Experto” y “Principiante”, y redujo las barreras de entrada. En la actualidad, cualquier persona con una tarjeta de cr´ edito y una direcci´ on de correo electr´ onico puede crear una campa˜ na en menos de 15 minutos. El presupuesto diario m´ ınimo es de 1 d´ olar (aunque se recomiendan al menos 10 d´ olares para obtener datos significativos), y el sistema solo cobra cuando un usuario hace clic en el anuncio (pago por clic) o cuando se muestran 1000 impresiones (CPM). Esta estructura de coste variable y bajo riesgo ha permitido que negocios informales, artesanos, profesionales independientes y microempresas de pa´ ıses en desarrollo puedan competir por la atenci´ on de los consumidores en igualdad de condiciones con grandes corporaciones. Ejemplo ilustrativo: la panader´ ıa de barrio. Consid´ erese una panader´ ıa que abre sus puertas en un vecindario de la Ciudad de M´ exico. Con un presupuesto mensual de 300 d´ olares (10 d´ olares diarios), puede crear una campa˜ na de b´ usqueda local con palabras clave como “pan reci´ en horneado cerca de m´ ı”, “pastel para cumplea˜ nos” o “galletas artesanales”. La segmentaci´ on geogr´ afica se limita a un radio de 2 kil´ ometros, y el horario se restringe a las Abraham Zamudio 53 PIT: Python Basico

Sesion 1 ma˜ nanas (7:00 a 11:00) y las tardes
(17:00 a 20:00), que son los momentos de mayor intenci´ on de compra. Utilizando la extensi´ on de llamada, los clientes pueden telefonear directamente desde el anuncio para hacer pedidos. Con una tasa de clics del 5 % y un coste por clic de 0.30 d´ olares, la panader´ ıa obtiene 100 clics diarios, de los cuales un 10 % se convierte en una venta promedio de 15 d´ olares. El ingreso diario atribuible a Google Ads ser´ ıa de 150 d´ olares, con un gasto de 10 d´ olares, lo que arroja un ROAS del 1500 %. Este ejemplo, aunque estilizado, muestra c´ omo la hipersegmentaci´ on y la medici´ on precisa permiten rentabilidades inalcanzables en medios tradicionales. Ventajas competitivas espec´ ıficas para PYMEs M´ as all´ a de la mera asequibilidad, Google Ads ofrece un conjunto de capacidades t´ ecnicas que nivelan el campo de juego frente a los grandes anunciantes. Segmentaci´ on geogr´ afica y horaria de alta granularidad. La segmentaci´ on por radio (circle targeting) permite definir un ´ area de influencia de hasta 1 kil´ ometro alrededor de la ubicaci´ on del negocio, o incluso dibujar pol´ ıgonos personalizados en un mapa. Para negocios con varias sucursales, se pueden asignar diferentes radios y mensajes seg´ un la zona. La segmentaci´ on horaria (dayparting) permite mostrar anuncios solo en determinados d´ ıas de la semana y franjas horarias, lo que es crucial para restaurantes (horarios de comida), cl´ ınicas (horarios de atenci´ on) o servicios de emergencia (24/7). Adem´ as, la segmentaci´ on por dispositivos (m´ oviles, tabletas, ordenadores) permite optimizar la inversi´ on: un servicio de fontaner´ ıa puede pujar m´ as alto en m´ oviles porque los usuarios suelen buscar un fontanero desde el lugar donde ocurre la aver´ ıa. Remarketing din´ amico y listas de audiencia. El remarketing (o retargeting) es una de las funcionalidades m´ as poderosas para PYMEs con tr´ afico web moderado. Cuando un usuario visita un sitio web, se le a˜ nade a una “lista de remarketing” (mediante una cookie o el identificador de Google). Posteriormente, al navegar por otros sitios de la red de display o por YouTube, ver´ a anuncios personalizados de ese negocio. Para comercios electr´ onicos, el remarketing din´ amico muestra exactamente los productos que el usuario abandon´ o en el carrito, junto con recomendaciones de productos similares. Las listas pueden segmentarse por comportamiento: “usuarios que vieron la p´ agina de precios pero no compraron”, “usuarios que a˜ nadieron al carrito hace m´ as de 7 d´ ıas”, etc. La tasa de conversi´ on del remarketing suele ser entre 3 y 5 veces superior a la del tr´ afico fr´ ıo, y su coste por conversi´ on es menor porque se dirige a una audiencia ya calificada. Atribuci´ on multicanal y modelado de conversi´ on. La integraci´ on nativa entre Google Ads y Google Analytics (ahora GA4) permite rastrear el recorrido completo del cliente a trav´ es de m´ ultiples puntos de contacto: un usuario puede ver un anuncio de display (primera impresi´ on), luego buscar la marca en Google (clic en un anuncio de b´ usqueda), despu´ es ver un v´ ıdeo en YouTube y finalmente realizar la compra desde un enlace de un correo electr´ onico. El modelo de atribuci´ on basado en datos (data-driven attribution) utiliza algoritmos de Shapley para asignar el cr´ edito de la conversi´ on a cada canal en proporci´ on a su contribuci´ on incremental. Para una PYME, entender qu´ e palabra clave o qu´ e creatividad gener´ o realmente Abraham Zamudio 54 PIT: Python Basico

Sesion 1 la venta evita el desperdicio en t´ erminos
de marca que no generan retorno. Los informes de “embudo multicanal” y “asistencia de conversi´ on” son accesibles directamente en la interfaz de Google Ads. Experimentos A/B y optimizaci´ on continua. La funci´ on “Borradores y experimentos” permite a los anunciantes probar cambios en sus campa˜ nas sin afectar el tr´ afico real. Se puede asignar aleatoriamente un porcentaje de los usuarios (por ejemplo, 50 %) a la versi´ on original (control) y el otro 50 % a la variante experimental (por ejemplo, un texto de anuncio diferente). El sistema mide la diferencia estad´ ısticamente significativa en la tasa de clics, el coste por conversi´ on y el ROAS. Para PYMEs con presupuestos ajustados, esta capacidad de experimentaci´ on cient´ ıfica es invaluable, ya que permite eliminar r´ apidamente las hip´ otesis fallidas y escalar las ganadoras. Adem´ as, Google ofrece recomendaciones autom´ aticas generadas por machine learning (pesta˜ na “Recomendaciones”) que sugieren ajustes de puja, nuevas palabras clave, o mejoras en las p´ aginas de destino basadas en el rendimiento hist´ orico de cuentas similares. Impacto econ´ omico cuantificable y estudios de caso Numerosos estudios han intentado medir el retorno de la inversi´ on en Google Ads para el segmento de PYMEs. M´ as all´ a de los informes encargados por la propia Google (que obviamente tienen sesgo positivo), investigaciones independientes de universidades y consultoras confirman un impacto significativo. El estudio de Deloitte (2022) en siete pa´ ıses. Deloitte Access Economics analiz´ o 2.500 PYMEs en Australia, Canad´ a, Francia, Alemania, Italia, Reino Unido y Estados Unidos. Los resultados indicaron que, por cada d´ olar gastado en Google Ads (incluyendo b´ usqueda, display y v´ ıdeo), las empresas obten´ ıan un ingreso medio de 8 d´ olares. El sector del comercio electr´ onico alcanzaba un ROAS de 12 d´ olares, mientras que los servicios profesionales (consultor´ ıa, despachos de abogados) llegaban a 6 d´ olares. Las PYMEs que utilizaban campa˜ nas de b´ usqueda combinadas con remarketing mostraban un ROAS un 35 % superior a las que usaban un solo canal. El estudio tambi´ en encontr´ o que el 62 % de las PYMEs consideraba que Google Ads era esencial para su supervivencia durante la pandemia de COVID-19, cuando los canales offline colapsaron. Caso de ´ exito: una ferreter´ ıa en Ohio. Henderson’s Hardware, un negocio familiar con tres empleados, pas´ o de vender exclusivamente en tienda f´ ısica a generar el 40 % de sus ingresos online en 18 meses gracias a Google Ads. Utilizaron una estrategia de palabras clave de cola larga (long-tail) como “tornillos de acero inoxidable cabeza hexagonal 1/4” en lugar de “tornillos”, reduciendo el coste por clic de 2,50 a 0,40 d´ olares. Adem´ as, implementaron campa˜ nas de Shopping con feeds optimizados (t´ ıtulos con atributos, im´ agenes de alta calidad, precios competitivos). Su ROAS medio fue de 9,5 d´ olares. La due˜ na, Sarah Henderson, declar´ o: “Antes pag´ abamos 500 d´ olares al mes por un anuncio en el peri´ odico local sin saber si alguien lo le´ ıa. Ahora con 800 d´ olares en Google Ads sabemos exactamente cu´ antos clavos se venden gracias a cada clic”. Abraham Zamudio 55 PIT: Python Basico

Sesion 1 Impacto en pa´ ıses en desarrollo: el caso
de Kenia. Un estudio del Centro para la Gobernanza Digital (2023) analiz´ o 400 peque˜ nas empresas en Nairobi y Mombasa. El 78 % utilizaba Google Ads principalmente con presupuestos inferiores a 5 d´ olares diarios. Las panader´ ıas, talleres mec´ anicos y tiendas de ropa reportaron un incremento medio de ingresos del 34 % en los primeros seis meses de uso. La segmentaci´ on geogr´ afica por radio (hasta 1 km) fue la funcionalidad m´ as valorada, porque los clientes en ´ Africa suelen preferir negocios cercanos debido al coste del transporte. Sin embargo, el estudio tambi´ en se˜ nal´ o que el 45 % de las PYMEs kenianas abandonaban Google Ads al cabo de tres meses, principalmente por falta de conocimientos para optimizar las campa˜ nas o por la volatilidad del tipo de cambio (las pujas est´ an en d´ olares). Programa Google Ads Grants para organizaciones sin fines de lucro Una de las iniciativas m´ as impactantes de Google en el ´ ambito social es el “Google Ad Grants”, que ofrece hasta 10.000 d´ olares mensuales en publicidad gratuita a organizaciones ben´ eficas, ONG, museos, bibliotecas y otras entidades sin ´ animo de lucro que cumplan los requisitos. A diferencia de las cuentas comerciales, las organizaciones no pueden pujar por palabras clave comerciales ni mostrar anuncios de productos; deben centrarse en la concienciaci´ on, el reclutamiento de voluntarios, las donaciones y la difusi´ on de servicios sociales. El programa ha entregado m´ as de 10 mil millones de d´ olares en publicidad gratuita desde su lanzamiento en 2003. Funcionamiento y requisitos t´ ecnicos. Para ser aceptada, una organizaci´ on debe tener el estatus 501(c)(3) en EE.UU. o su equivalente en otros pa´ ıses, un sitio web funcional y una pol´ ıtica de privacidad clara. Una vez aceptada, recibe una cuenta de Google Ads con un presupuesto diario de 329 d´ olares (10.000 d´ olares mensuales ÷ 30,4 d´ ıas), pero con la restricci´ on de que el coste por clic m´ aximo es de 2 d´ olares (a diferencia de las cuentas comerciales donde se puede pujar m´ as). La organizaci´ on puede ejecutar campa˜ nas de b´ usqueda (solo texto) y display, pero no de YouTube ni Shopping. Google tambi´ en exige un mantenimiento m´ ınimo: las campa˜ nas deben tener una tasa de clics superior al 5 % y no pueden consistir en palabras clave demasiado gen´ ericas (por ejemplo, “ayuda” o “donar” sin calificadores). El incumplimiento de estas directrices puede llevar a la suspensi´ on de la cuenta. Impacto documentado. Un estudio de la Universidad de California en Berkeley (2021) evalu´ o el impacto de Ad Grants en 500 organizaciones peque˜ nas. Encontr´ o que, en promedio, cada 1.000 d´ olares de publicidad gratuita generaba 230 nuevas suscripciones a boletines, 45 solicitudes de voluntariado y 1.200 d´ olares en donaciones (ROAS de 1,2 en t´ erminos monetarios, pero muy superior en impacto social). Organizaciones como “Feeding America” utilizaron Ad Grants para conectar a familias necesitadas con bancos de alimentos, reduciendo el tiempo de b´ usqueda de ayuda de 40 minutos a 2 minutos. En Espa˜ na, la “Fundaci´ on Mutua de Propietarios” logr´ o aumentar en un 300 % las consultas sobre prevenci´ on de incendios en viviendas sociales. Sin embargo, el programa tambi´ en ha recibido cr´ ıticas por su complejidad burocr´ atica (muchas ONG peque˜ nas no logran cumplir los requisitos t´ ecnicos) y por la limitaci´ on de 2 d´ olares por clic, que en palabras clave competitivas como “donar a refugiados” impide aparecer en posiciones altas. Abraham Zamudio 56 PIT: Python Basico

Sesion 1 Cr´ ıticas, dependencia y riesgos para PYMEs A
pesar de los beneficios innegables, la dependencia excesiva de Google Ads conlleva riesgos sist´ emicos y operativos que las PYMEs no pueden ignorar. Vulnerabilidad a cambios de algoritmo. Google actualiza su algoritmo de ranking de anuncios y su sistema de nivel de calidad varias veces al a˜ no. Un cambio aparentemente menor en la ponderaci´ on del tiempo de carga de la p´ agina de destino puede hacer que una PYME que ha optimizado su campa˜ na durante meses vea c´ omo su coste por clic se duplica de la noche a la ma˜ nana. Por ejemplo, la actualizaci´ on “Core Web Vitals” en 2021 penaliz´ o a las p´ aginas con un rendimiento deficiente en m´ oviles, afectando desproporcionadamente a PYMEs con sitios web de baja calidad. A diferencia de las grandes corporaciones que tienen equipos dedicados a monitorizar y adaptarse a las actualizaciones, una PYME con un solo empleado de marketing puede quedar fuera del mercado en cuesti´ on de semanas. Suspensiones de cuenta injustificadas y falta de soporte. El sistema automatizado de detecci´ on de “pol´ ıticas de publicidad” (contenido inapropiado, pr´ acticas enga˜ nosas, productos restringidos) es conocido por su opacidad y sus falsos positivos. Una PYME puede recibir una suspensi´ on de cuenta sin explicaci´ on detallada, y el proceso de apelaci´ on puede durar semanas o meses, tiempo durante el cual el negocio pierde ingresos. La ausencia de un servicio de atenci´ on al cliente accesible (el soporte telef´ onico solo est´ a disponible para grandes anunciantes con altos gastos) deja a las PYMEs en un limbo. Foros como Reddit y comunidades de anunciantes est´ an llenos de quejas de peque˜ nos negocios que vieron su cuenta suspendida por “circunstancias excepcionales” sin posibilidad de recuperaci´ on. Google argumenta que la automatizaci´ on es necesaria para manejar millones de cuentas, pero el impacto humano es real. Smart Bidding: ¿ayuda o trampa de costes? El sistema de puja inteligente (Smart Bidding) utiliza machine learning para optimizar las pujas hacia un objetivo de CPA (coste por adquisici´ on) o ROAS. En teor´ ıa, libera al anunciante de la gesti´ on manual. En la pr´ actica, los modelos requieren un volumen de datos suficiente (al menos 30 conversiones en los ´ ultimos 30 d´ ıas) y pueden fallar cuando hay estacionalidad o cambios en el comportamiento del consumidor. Una PYME con pocas conversiones puede ver c´ omo el algoritmo puja agresivamente por clics que no convierten, disparando el coste. Adem´ as, el modelo no distingue entre clics de usuarios de alta calidad y clics de bots, aunque Google afirma que filtra el tr´ afico inv´ alido. Numerosos anunciantes han denunciado que al activar Smart Bidding su coste por conversi´ on aument´ o hasta un 300 % en comparaci´ on con la puja manual. Google recomienda experimentos A/B para validar, pero la complejidad disuade a muchos. Fraude de clics y transparencia. El fraude de clics (click fraud) es el acto de generar clics falsos en anuncios con la intenci´ on de agotar el presupuesto de un competidor o, en el caso de editores maliciosos, aumentar sus ingresos de AdSense. Google invierte millones de d´ olares en detecci´ on (filtrado de IPs sospechosas, an´ alisis de patrones temporales, detecci´ on de bots), pero ning´ un sistema es perfecto. Un estudio de la universidad de Baltimore (2022) estim´ o que entre el 5 % y el 15 % de los clics en la red de display podr´ ıan ser fraudulentos. Abraham Zamudio 57 PIT: Python Basico

Sesion 1 Para una PYME con presupuesto ajustado, esos clics
representan una p´ erdida directa. Google reembolsa los clics fraudulentos detectados autom´ aticamente, pero los anunciantes rara vez reciben informes detallados. La falta de transparencia ha dado lugar a demandas colectivas (por ejemplo, “Click Fraud Litigation” de 2006-2010), y algunos reguladores exigen auditor´ ıas independientes. Dependencia estrat´ egica y falta de diversificaci´ on. Muchas PYMEs destinan entre el 70 % y el 90 % de su presupuesto de marketing digital a Google Ads, porque es el canal que les genera el mayor retorno inmediato. Esta dependencia es problem´ atica por varias razones: (1) Google puede aumentar los precios m´ ınimos de las palabras clave cuando le convenga (subasta de primer precio en algunos formatos); (2) los competidores pueden pujar por las mismas palabras clave, inflando los costes; (3) si el negocio depende del tr´ afico org´ anico, una actualizaci´ on de algoritmo de b´ usqueda puede reducir dr´ asticamente la visibilidad y obligar a aumentar la inversi´ on en anuncios. La diversificaci´ on hacia otros canales (Meta Ads, TikTok, LinkedIn, correo electr´ onico, SEO, marketing de influencers) es costosa y requiere conocimientos adicionales, pero es la ´ unica manera de mitigar el riesgo de proveedor ´ unico. Alternativas y futuro para PYMEs Conscientes de la dependencia, algunas PYMEs est´ an explorando alternativas a Google Ads. Microsoft Advertising (Bing) ofrece una plataforma similar con menos competencia y costes por clic hasta un 30 % m´ as bajos, aunque con menor volumen de b´ usquedas (especialmente en EE.UU. y Reino Unido). Amazon Ads es esencial para los vendedores de productos f´ ısicos, con una intenci´ on de compra mucho m´ as alta que la b´ usqueda gen´ erica. Las redes sociales (Meta, TikTok) permiten segmentaci´ on por intereses y demograf´ ıa, y formatos m´ as visuales. Sin embargo, ninguna ofrece la misma combinaci´ on de intenci´ on de b´ usqueda activa (el usuario ya est´ a buscando un producto o servicio) y medici´ on directa de conversi´ on que Google. El futuro apunta hacia la automatizaci´ on con transparencia mejorada: Google est´ a probando “Payment Verification” que permite a los anunciantes ver los clics en tiempo real y disputar sospechas. Adem´ as, la eliminaci´ on de las cookies de terceros impulsar´ a el uso de datos de primera parte (propios del negocio) y la segmentaci´ on contextual, lo que podr´ ıa beneficiar a las PYMEs que tengan una buena estrategia de datos. Mientras tanto, la recomendaci´ on para los emprendedores es: usar Google Ads como un canal importante, pero no ´ unico; invertir en formaci´ on continua (los cursos gratuitos de Google Skillshop); y mantener un colch´ on financiero para resistir posibles suspensiones o aumentos de costes. Recomendaciones pr´ acticas para PYMEs que inician en Google Ads. Basado en la experiencia de agencias y casos de ´ exito, se sugieren los siguientes pasos: 1. Empezar con un presupuesto de prueba bajo (5-10 d´ olares diarios) y un peque˜ no conjunto de palabras clave (10-20) de cola larga, evitando t´ erminos gen´ ericos caros. 2. Configurar la conversi´ on correctamente mediante Google Tag Manager o el c´ odigo de seguimiento. Sin medici´ on de conversiones, se est´ a volando a ciegas. Abraham Zamudio 58 PIT: Python Basico

Sesion 1 3. Usar extensiones de anuncio (llamada, ubicaci´ on,
enlaces de sitio) para mejorar el CTR sin aumentar el coste. 4. Revisar el informe de t´ erminos de b´ usqueda semanalmente para a˜ nadir palabras clave rentables y excluir las irrelevantes como negativas. 5. No activar Smart Bidding hasta tener al menos 30 conversiones en 30 d´ ıas. Inicialmente, usar puja manual con coste por clic m´ aximo. 6. Configurar alertas de presupuesto para no exceder el gasto diario sin darse cuenta. 7. Diversificar a la red de display y YouTube solo despu´ es de dominar la b´ usqueda. 8. Documentar todas las comunicaciones con el soporte y hacer capturas de pantalla del rendimiento diario para posibles apelaciones. Conclusi´ on Google Ads ha transformado la publicidad para PYMEs y emprendedores, pasando de un lujo inalcanzable a una herramienta cotidiana de crecimiento. Su capacidad de segmentaci´ on granular, medici´ on precisa y bajo coste de entrada es incomparable. Sin embargo, la dependencia exclusiva de esta plataforma conlleva riesgos significativos: cambios algor´ ıtmicos, suspensiones injustificadas, fraude de clics y falta de transparencia. El emprendedor inteligente utiliza Google Ads como un pilar de su estrategia, pero no como el ´ unico, invirtiendo paralelamente en SEO, email marketing, redes sociales y construcci´ on de marca propia. La formaci´ on continua y la experimentaci´ on sistem´ atica son las claves para maximizar el ROAS y minimizar la vulnerabilidad. El programa Google Ads Grants, por su parte, ha demostrado ser una herramienta poderosa para el sector no lucrativo, aunque con barreras que a´ un deben simplificarse. En el ecosistema de Alphabet, Google Ads seguir´ a evolucionando hacia la automatizaci´ on y la privacidad, y las PYMEs que se adapten primero a estas tendencias obtendr´ an ventajas competitivas duraderas. 6.3. Impacto en el comercio electr´ onico Google ha sido un catalizador fundamental para el crecimiento del comercio electr´ onico (e-commerce), transformando la manera en que los consumidores descubren, comparan y adquieren productos en l´ ınea. Antes de la consolidaci´ on del motor de b´ usqueda, los compradores depend´ ıan de cat´ alogos impresos, tiendas f´ ısicas, portales verticales como eBay (fundado en 1995) o directorios manuales como Yahoo! Shopping. La falta de un ´ ındice unificado y la imposibilidad de comparar precios y opiniones en tiempo real limitaban la eficiencia del mercado. Con la llegada de Google y, especialmente, con la evoluci´ on de servicios especializados como Google Shopping, la b´ usqueda por imagen, la integraci´ on con Google Maps y el marketing de afiliaci´ on a trav´ es de YouTube, el gigante tecnol´ ogico ha redefinido el embudo de compra digital. Hoy, estudios sectoriales (por ejemplo, de Forrester Research y Statista) indican que m´ as del 63 % de las sesiones de compra online comienzan con una consulta en un motor de b´ usqueda, y de ellas, Google domina aproximadamente el 90 % del mercado de b´ usqueda en la mayor´ ıa de los pa´ ıses. Esta secci´ on analiza en profundidad los mecanismos t´ ecnicos, el impacto en la log´ ıstica y la publicidad, las tensiones competitivas y las sanciones regulatorias, as´ ı Abraham Zamudio 59 PIT: Python Basico

Sesion 1 como las innovaciones emergentes que Alphabet est´ a
desplegando en el ´ ambito del comercio electr´ onico. Google Shopping: evoluci´ on t´ ecnica y modelo de negocio Lanzado originalmente en 2002 con el nombre de “Froogle” (un juego de palabras entre “frugal” y “Google”), el servicio fue renombrado a Google Shopping en 2012. En sus inicios, Froogle mostraba listados de productos gratuitos y generaba ingresos a trav´ es de comisiones por venta (modelo de afiliaci´ on). Sin embargo, en 2012 Google transform´ o el servicio en un modelo predominantemente de pago: los comerciantes deb´ ıan pujar por sus productos en la plataforma Google Shopping Ads (anteriormente Product Listing Ads) para aparecer en los resultados de b´ usqueda enriquecidos. Este cambio gener´ o una ola de cr´ ıticas por parte de comparadores de precios europeos (como Kelkoo, Idealo y PriceRunner), que denunciaron pr´ acticas anticompetitivas. Como resultado de una multa r´ ecord de 2.400 millones de euros impuesta por la Comisi´ on Europea en 2017, Google se vio obligada a modificar el tratamiento de los listados de productos. Desde 2020, los comerciantes pueden optar por listados gratuitos (free listings) en Google Shopping en determinadas regiones (Europa, Estados Unidos, India, etc.), aunque los anuncios pagados siguen ocupando posiciones destacadas. Funcionamiento t´ ecnico de Google Shopping y Merchant Center. El n´ ucleo t´ ecnico de Google Shopping es Google Merchant Center, un repositorio donde los comerciantes suben sus cat´ alogos de productos mediante feeds estructurados (en formato XML, TXT, CSV o Google Sheets). Cada producto se define mediante atributos obligatorios (id, t´ ıtulo, descripci´ on, enlace, precio, disponibilidad, marca, condici´ on, imagen) y opcionales (GTIN, MPN, color, talla, material, peso, etc.). Google valida la correcci´ on de los datos y, cuando un usuario realiza una b´ usqueda con intenci´ on comercial (por ejemplo, “zapatillas running mujer talla 39”), el sistema ejecuta una subasta espec´ ıfica para anuncios de Shopping (productos). El ranking se determina mediante la puja por clic (CPC) y el “rendimiento del producto”, que incluye la relevancia del t´ ıtulo, la calidad de la imagen, la tasa de clics hist´ orica y la exactitud del precio y la disponibilidad. La integraci´ on con Google Ads permite a los comerciantes establecer campa˜ nas de Shopping, segmentadas por marca, categor´ ıa de producto, ID de art´ ıculo o tipo de inventario (local o online). Para productos que participan en listados gratuitos, el orden depende exclusivamente de la relevancia estimada y la calidad del feed, sin componente de puja. Checkout unificado y Buy on Google. Desde 2019, Google ha estado probando “Buy on Google” (anteriormente “Google Shopping Actions”), una funcionalidad que permite a los compradores completar la transacci´ on sin salir de los resultados de b´ usqueda o de la pesta˜ na de Shopping. El pago se procesa a trav´ es de Google Pay (que almacena las tarjetas de cr´ edito y direcciones de env´ ıo), y Google se encarga de notificar al comerciante y de gestionar las devoluciones b´ asicas. Para los comerciantes, la ventaja es una tasa de conversi´ on m´ as alta (menor fricci´ on), pero la desventaja es que pierden la relaci´ on directa con el cliente (no obtienen su correo electr´ onico ni datos de navegaci´ on posteriores). Muchos grandes minoristas, como Target y Walmart, se han negado a participar, mientras que las PYMEs lo han adoptado con mayor entusiasmo. En 2023, Google redujo el ´ enfasis en Buy on Google y lo integr´ o como Abraham Zamudio 60 PIT: Python Basico

Sesion 1 una opci´ on m´ as dentro de Google
Shopping, en lugar de un producto separado. B´ usqueda por imagen y Google Lens: el auge del descubrimiento visual Uno de los avances m´ as disruptivos para el comercio electr´ onico ha sido la b´ usqueda por imagen, potenciada por Google Lens (lanzado en 2017 e integrado en la aplicaci´ on de Google para m´ oviles, en Google Fotos y en el asistente). Esta tecnolog´ ıa utiliza redes neuronales convolucionales profundas (CNN) entrenadas con millones de im´ agenes etiquetadas para extraer caracter´ ısticas visuales de un objeto capturado por la c´ amara o subido como archivo. El sistema no solo identifica el objeto (por ejemplo, “silla de madera”), sino que tambi´ en puede extraer atributos como el color, el patr´ on, la forma y, en algunos casos, el logotipo de la marca. A continuaci´ on, realiza una b´ usqueda inversa en el ´ ındice de Google Shopping y en la web general para encontrar tiendas que venden ese producto o similares, mostrando precios, disponibilidad y rese˜ nas. Casos de uso y m´ etricas de impacto. La funcionalidad es especialmente ´ util para productos sin una descripci´ on textual clara (una planta desconocida, un dise˜ no de mueble antiguo, una prenda de vestir vista en la calle). Seg´ un datos internos de Google (2022), el 25 % de las b´ usquedas de moda en dispositivos m´ oviles incluyen una imagen como parte de la consulta. En categor´ ıas como decoraci´ on del hogar y electr´ onica, el porcentaje supera el 30 %. Los minoristas que optimizan sus im´ agenes con m´ ultiples ´ angulos y atributos estructurados en Merchant Center (por ejemplo, color dominante, textura) obtienen un incremento medio del 15 % en las impresiones de sus productos a trav´ es de Lens. Adem´ as, Google ha integrado Lens con YouTube: un creador puede mostrar un producto en un v´ ıdeo y los espectadores pueden pausar, abrir Lens y comprar el art´ ıculo directamente. Esta sinergia entre el motor de b´ usqueda visual y el v´ ıdeo est´ a transformando el “shoppable content”. Impacto en la log´ ıstica y la omnicanalidad El ecosistema de Google no se limita a la fase de descubrimiento y pago; tambi´ en influye en la log´ ıstica del comercio electr´ onico y en la integraci´ on entre tiendas f´ ısicas y canales online (omnicanalidad). Google Maps es la herramienta predilecta para calcular distancias, tiempos de tr´ afico y rutas ´ optimas de entrega. Los minoristas pueden integrar las APIs de Directions y Distance Matrix en sus sistemas de gesti´ on de flotas para optimizar las rutas de reparto en tiempo real, reduciendo costes de combustible y mejorando la experiencia del cliente. Adem´ as, Google My Business (renombrado Google Business Profile) permite a las tiendas f´ ısicas indicar la disponibilidad de productos en el escaparate local, la opci´ on de “recoger en tienda” (click and collect) y el horario de apertura. Cuando un usuario busca “zapatillas Nike en Madrid”, Google muestra una lista de tiendas cercanas con el producto en stock, seg´ un los feeds de inventario local que los comerciantes suben a Merchant Center (a trav´ es de la funcionalidad de “inventario local”). Marketing de afiliaci´ on y YouTube. YouTube, propiedad de Google, se ha convertido en una plataforma central para el marketing de afiliaci´ on (affiliate marketing). Creadores de contenido (influencers, rese˜ nadores, tutorialistas) incluyen enlaces de afiliado en la descripci´ on de sus v´ ıdeos (a menudo acortados con servicios como bit.ly o directamente a trav´ es de programas como Amazon Associates, Rakuten o ShareASale). Google rastrea los clics en Abraham Zamudio 61 PIT: Python Basico

Sesion 1 esos enlaces y atribuye las conversiones mediante cookies
y par´ ametros UTM. La red de display de Google (Google Display Network) tambi´ en es utilizada por redes de afiliaci´ on para mostrar banners de productos a audiencias segmentadas, complementando el tr´ afico org´ anico. La transparencia de la atribuci´ on es compleja, ya que un usuario puede ver un v´ ıdeo de YouTube, luego buscar el producto en Google, hacer clic en un anuncio de Shopping y finalmente comprar. Los modelos de atribuci´ on multicanal de Google Analytics (GA4) intentan desentra˜ nar este camino, pero los afiliados a menudo dependen de cookies de ´ ultimo clic, que sobrevaloran los canales finales. Concentraci´ on de poder y sanciones antimonopolio El impacto de Google en el comercio electr´ onico no ha estado exento de controversias regulatorias. La m´ as emblem´ atica es la decisi´ on de la Comisi´ on Europea del 27 de junio de 2017, que impuso una multa de 2.400 millones de euros a Google por abuso de posici´ on dominante en el mercado de b´ usqueda general. La Comisi´ on concluy´ o que Google favorec´ ıa su propio servicio de comparaci´ on de precios (Google Shopping) en los resultados de b´ usqueda, degradando a los competidores verticales (como Kelkoo, Foundem y PriceRunner). La conducta anticompetitiva consist´ ıa en mostrar los listados de Google Shopping en posiciones destacadas (con im´ agenes, precios y rese˜ nas), mientras que los competidores aparec´ ıan en forma de enlaces azules simples, sin enriquecimiento, en posiciones inferiores. Google argument´ o que las mejoras eran innovaciones leg´ ıtimas, pero no logr´ o convencer al tribunal. Remedios implementados. Como parte de la decisi´ on, Google deb´ ıa aplicar el mismo tratamiento a sus propios servicios y a los de terceros. En respuesta, Google introdujo cambios en la presentaci´ on de los resultados: los comparadores de precios rivales pueden pujar por espacios en los “comparadores de precios” (una unidad espec´ ıfica en la parte superior de la p´ agina) mediante un sistema de subastas. Sin embargo, cr´ ıticos como Foundem y Kelkoo argumentaron que los remedios eran ineficaces, porque la subasta exig´ ıa que los rivales pagaran para aparecer, mientras que Google Shopping segu´ ıa apareciendo de forma destacada sin coste de subasta (aunque los comerciantes pagan por los listados). En 2021, el Tribunal General de la UE confirm´ o la multa, aunque redujo ligeramente el importe por cuestiones formales. El caso ha sentado un precedente para otras investigaciones, como las relativas a Google Ads (AdSense) y Android. Impacto en los consumidores y en la innovaci´ on. La concentraci´ on de poder de Google en el comercio electr´ onico tiene efectos ambivalentes. Por un lado, facilita a los consumidores el acceso a una amplia oferta, con herramientas de comparaci´ on r´ apidas y confiables. Por otro lado, reduce la competencia entre plataformas de comparaci´ on, lo que puede llevar a comisiones m´ as altas para los comerciantes y a menos innovaci´ on en la interfaz de compra. Algunos economistas argumentan que los remedios deber´ ıan incluir la separaci´ on estructural (divestiture) de Google Shopping, algo que por ahora no ha ocurrido. En Estados Unidos, el Departamento de Justicia present´ o en 2023 una demanda antimonopolio contra Google por pr´ acticas en la tecnolog´ ıa publicitaria, pero no aborda directamente Google Shopping. Sin embargo, la presi´ on regulatoria ha llevado a Google a abrir sus feeds de productos a comparadores externos a trav´ es de la iniciativa “Shopping Actions” de forma m´ as equitativa. Abraham Zamudio 62 PIT: Python Basico

Sesion 1 Innovaciones emergentes y futuro del comercio electr´ onico
con Alphabet M´ as all´ a de los servicios actuales, Alphabet est´ a desarrollando tecnolog´ ıas que transformar´ an a´ un m´ as el comercio electr´ onico. La inteligencia artificial generativa (modelos como PaLM 2 y Gemini) se est´ a integrando en la b´ usqueda para ofrecer experiencias conversacionales. Por ejemplo, un usuario podr´ ıa preguntar: “Mu´ estrame sillas de comedor de roble macizo que combinen con mi mesa de estilo r´ ustico, con un presupuesto m´ aximo de 200 euros”. El sistema interpretar´ ıa la consulta, consultar´ ıa los feeds de Merchant Center, extraer´ ıa caracter´ ısticas de las im´ agenes y devolver´ ıa una selecci´ on curada con razones textuales. Esto reduce dr´ asticamente la necesidad de refinar las b´ usquedas. Google tambi´ en est´ a probando “shoppable ads” en YouTube que permiten comprar directamente desde el v´ ıdeo sin pausar (formato de tarjeta de producto superpuesta). Adem´ as, la subsidiaria de Alphabet, Wing (entregas con drones), est´ a realizando pruebas de entrega de productos de comercio electr´ onico en entornos suburbanos, aunque a´ un con limitaciones de peso y alcance. La combinaci´ on de b´ usqueda visual, IA generativa, log´ ıstica con drones y pagos integrados (Google Pay) podr´ ıa redefinir el comercio electr´ onico en la pr´ oxima d´ ecada, pero tambi´ en intensificar´ a el debate sobre el poder de mercado de Alphabet. Conclusi´ on. El impacto de Google en el comercio electr´ onico es profundo y multidimensional. Ha democratizado el acceso a los mercados para peque˜ nos vendedores, ha mejorado la experiencia de compra para los consumidores (b´ usqueda visual, comparaci´ on instant´ anea, checkout unificado) y ha optimizado la log´ ıstica mediante herramientas de geolocalizaci´ on. Sin embargo, esta influencia viene acompa˜ nada de una concentraci´ on de poder que ha desencadenado sanciones antimonopolio multimillonarias y un intenso escrutinio regulatorio. Para los comerciantes, la dependencia de Google Shopping y de los anuncios de producto es una espada de doble filo: les proporciona visibilidad inigualable, pero los somete a las reglas cambiantes y a los costes de una plataforma controlada por un ´ unico actor. El futuro, marcado por la inteligencia artificial generativa y la integraci´ on omnicanal, promete nuevas oportunidades, pero tambi´ en requerir´ a marcos regulatorios que aseguren la competencia y la equidad. Como parte del an´ alisis integral de Alphabet, esta subsecci´ on evidencia c´ omo el motor de b´ usqueda y sus servicios asociados han redefinido no solo el acceso a la informaci´ on, sino tambi´ en la econom´ ıa del consumo en el siglo XXI. 6.4. Generaci´ on de empleo tecnol´ ogico Alphabet, a trav´ es de Google y sus subsidiarias, es uno de los mayores empleadores tecnol´ ogicos del mundo, no solo por su plantilla directa, sino tambi´ en por la inmensa red de trabajos indirectos e inducidos que su ecosistema sostiene. En 2023, la plantilla total de Alphabet superaba los 190.000 empleados directos a tiempo completo, distribuidos entre Google (b´ usqueda, publicidad, nube, Android, YouTube), Waymo (veh´ ıculos aut´ onomos), Verily (ciencias de la vida), Calico (longevidad), Google Fiber, Wing (drones), X (el laboratorio de lunares) y las unidades de inversi´ on GV y CapitalG. A estas cifras se suman decenas de miles de contratistas externos (trabajadores temporales, proveedores de servicios, personal de seguridad y limpieza) que, aunque no figuran en las n´ ominas oficiales, realizan funciones esenciales. Sin embargo, el impacto laboral de Alphabet va mucho m´ as all´ a de sus fronteras corporativas. El ecosistema de plataformas (Google Play, YouTube, AdSense, Google Ads, Android) genera millones de Abraham Zamudio 63 PIT: Python Basico

Sesion 1 empleos en el resto de la econom´ ıa:
desarrolladores de aplicaciones, creadores de contenido, especialistas en marketing digital, consultores SEO, editores web, formadores tecnol´ ogicos y muchos m´ as. Esta secci´ on analiza en detalle las distintas capas de generaci´ on de empleo, los perfiles profesionales m´ as demandados, las condiciones laborales en la propia Alphabet, las controversias sobre despidos y desigualdad, el efecto multiplicador regional, los desaf´ ıos de la automatizaci´ on y las iniciativas de recapacitaci´ on (upskilling) promovidas por la compa˜ n´ ıa. Empleo directo en Alphabet: perfiles, distribuci´ on geogr´ afica y condiciones Los roles dentro de Alphabet abarcan un espectro amplio de cualificaciones, desde ingenieros de investigaci´ on en inteligencia artificial hasta t´ ecnicos de mantenimiento de centros de datos. A continuaci´ on se desglosan las categor´ ıas principales con sus requisitos t´ ecnicos y su peso dentro de la plantilla. Ingenier´ ıa de software y sistemas. Constituye el n´ ucleo del negocio: m´ as del 40 % de los empleados directos de Google son ingenieros de software (SWE), ingenieros de sistemas (SRE) e ingenieros de fiabilidad del sitio (SRE). Estos profesionales dise˜ nan y mantienen los sistemas distribuidos que soportan la b´ usqueda, Gmail, YouTube, la nube, los algoritmos de publicidad y los sistemas de aprendizaje autom´ atico. Los lenguajes predominantes son C++, Java, Python y Go. Las especializaciones de alta demanda incluyen: sistemas de bases de datos masivas (Bigtable, Spanner), compiladores, redes neuronales profundas (TensorFlow, JAX), seguridad (criptograf´ ıa, an´ alisis de vulnerabilidades), compresi´ on de datos y sistemas de archivos distribuidos (Colossus). El proceso de selecci´ on es conocido por su exigencia: varias rondas de entrevistas t´ ecnicas con problemas de algoritmos, estructuras de datos y dise˜ no de sistemas. Los salarios base para ingenieros reci´ en egresados en Silicon Valley superan los 150.000 d´ olares anuales, m´ as bonificaciones (15-30 %) y acciones (unidades de acciones restringidas, RSUs) que pueden duplicar la compensaci´ on total en los primeros a˜ nos. Ciencia de datos y an´ alisis. Los cient´ ıficos de datos (alrededor del 8 % de la plantilla) aplican modelos estad´ ısticos y de aprendizaje autom´ atico para optimizar la relevancia de los anuncios, predecir el comportamiento del usuario, detectar fraudes y mejorar la eficiencia de los centros de datos. Utilizan herramientas como BigQuery, Apache Beam, R y Python (pandas, scikit-learn, TensorFlow). Muchos poseen t´ ıtulos de posgrado en estad´ ıstica, matem´ aticas o inform´ atica. Sus an´ alisis influyen directamente en las decisiones de producto y en la asignaci´ on de miles de millones de d´ olares en presupuestos publicitarios. Dise˜ no de experiencia de usuario (UX/UI) e investigaci´ on. Los dise˜ nadores de UX (aproximadamente 5 % de la plantilla) son responsables de que los productos de Google sean intuitivos, accesibles y atractivos. Realizan pruebas de usabilidad, crean wireframes, prototipos interactivos y colaboran con ingenieros para implementar las especificaciones. El equipo de Material Design (sistema de dise˜ no de Google) ha influido en cientos de miles de aplicaciones de terceros. Los investigadores de UX realizan estudios etnogr´ aficos y entrevistas para entender las necesidades de los usuarios en diferentes culturas, algo crucial para productos globales como Google Maps o Google Pay. Abraham Zamudio 64 PIT: Python Basico

Sesion 1 Ventas publicitarias y atenci´ on a clientes empresariales.
Las oficinas de Google en todo el mundo (Dubl´ ın, Singapur, S´ ıdney, S˜ ao Paulo, M´ exico DF, etc.) albergan equipos de ventas y atenci´ on a grandes anunciantes (Google Ads), agencias de marketing y socios de tecnolog´ ıa. Estos profesionales (cerca del 15 % de la plantilla) asesoran a empresas sobre estrategias de puja, segmentaci´ on y medici´ on. Sus ingresos incluyen comisiones sobre el gasto publicitario gestionado. La rotaci´ on es m´ as alta que en ingenier´ ıa, y las condiciones var´ ıan seg´ un el pa´ ıs. Cumplimiento regulatorio, legal y pol´ ıticas p´ ublicas. Dada la intensa supervisi´ on regulatoria en competencia (multas de la UE), privacidad (GDPR, CCPA), contenido (desinformaci´ on, discurso de odio) y fiscalidad, Google emplea a cientos de abogados, expertos en pol´ ıticas p´ ublicas y gestores de cumplimiento (compliance). Este departamento ha crecido significativamente desde 2015, con salarios competitivos pero menor estabilidad que los roles t´ ecnicos. Operaciones de centros de datos e infraestructura f´ ısica. Google opera 24 centros de datos en cuatro continentes, m´ as docenas de puntos de presencia (POPs) para su red de borde. El personal incluye t´ ecnicos de hardware (reemplazo de discos duros, diagn´ ostico de fallos), ingenieros de redes (configuraci´ on de routers y fibra ´ optica), especialistas en eficiencia energ´ etica (PUE, refrigeraci´ on l´ ıquida, uso de energ´ ıas renovables) y seguridad f´ ısica. Estos roles suelen estar sindicalizados y tienen menor remuneraci´ on que los de ingenier´ ıa, pero con beneficios como seguro m´ edico y formaci´ on interna. Condiciones laborales y controversias. Google ha sido pionera en ofrecer beneficios generosos: comidas gourmet gratuitas en los campus (con cocinas que funcionan 24/7), transporte en autobuses con WiFi, guarder´ ıas en la sede principal (Mountain View), cl´ ınicas m´ edicas internas, gimnasios, masajes, seguros dentales y oftalmol´ ogicos de alto nivel, y permisos de paternidad extendidos (hasta 18 semanas). Estas prestaciones han establecido un est´ andar en Silicon Valley y han sido imitadas por otras tecnol´ ogicas. Sin embargo, tambi´ en han recibido cr´ ıticas: los empleados temporales (contingentes), que representan hasta el 50 % de la fuerza laboral total en algunas sedes, no reciben los mismos beneficios ni la misma estabilidad. En 2019, los trabajadores contratistas de Google en Pittsburgh se sindicalizaron (United Steelworkers) para exigir salarios m´ ınimos de 15 d´ olares por hora y acceso a las comidas gratuitas, lo que llev´ o a Google a exigir a sus proveedores que igualaran ciertas condiciones m´ ınimas. Adem´ as, Google ha enfrentado demandas por brechas salariales de g´ enero: un estudio interno de 2017 revel´ o que las mujeres ingenieras recib´ ıan menos acciones que los hombres en el mismo nivel, lo que result´ o en un acuerdo de 118 millones de d´ olares en 2021. Los despidos masivos de 12.000 empleados en enero de 2023 (el 6 % de la plantilla) se produjeron a pesar de que la empresa reportaba beneficios r´ ecord, lo que gener´ o malestar entre los trabajadores restantes y llev´ o a la formaci´ on de comit´ es de trabajadores en varias oficinas. Abraham Zamudio 65 PIT: Python Basico

Sesion 1 Empleo indirecto en el ecosistema digital de Alphabet
M´ as all´ a de su n´ omina directa, Alphabet sostiene millones de empleos en empresas y actividades que dependen de sus plataformas para generar ingresos o distribuir productos. Estos empleos son m´ as dif´ ıciles de cuantificar con precisi´ on, pero diversas consultoras han realizado estimaciones. Desarrolladores de aplicaciones Android. El sistema operativo Android, con m´ as de 3.000 millones de dispositivos activos, crea un mercado masivo para aplicaciones. La Google Play Store (junto con tiendas de terceros en China) alberga cerca de 3 millones de apps. Los desarrolladores independientes, estudios peque˜ nos y grandes empresas (como Spotify, Uber, Netflix) emplean a ingenieros de software especializados en Kotlin, Java y Android SDK. Se estima que el ecosistema Android ha creado m´ as de 2 millones de puestos de trabajo en todo el mundo, incluyendo dise˜ nadores de UI/UX, especialistas en monetizaci´ on (integraci´ on de anuncios de AdMob o compras in-app), expertos en optimizaci´ on de la tienda (ASO) y atenci´ on al usuario. En pa´ ıses como India, Brasil e Indonesia, la econom´ ıa de aplicaciones m´ oviles es uno de los motores del empleo joven. Creadores de YouTube y econom´ ıa del creador. YouTube es el segundo motor de b´ usqueda m´ as grande y la plataforma de v´ ıdeo dominante. M´ as de 2,5 millones de creadores participan en el Programa de Socios de YouTube, que les permite monetizar a trav´ es de anuncios (AdSense), suscripciones de miembros del canal, Super Chat, y ventas de merchandising integrado. En 2022, YouTube pag´ o m´ as de 30.000 millones de d´ olares a creadores, socios y editores en los tres a˜ nos anteriores (seg´ un datos de la compa˜ n´ ıa). Detr´ as de cada creador exitoso suele haber un equipo: editores de v´ ıdeo (uso de Premiere, Final Cut, DaVinci), guionistas, gestores de redes sociales, agentes de patrocinios, dise˜ nadores de thumbnails, y community managers. La “econom´ ıa del creador” (creator economy) se estima que genera entre 10 y 15 millones de empleos a tiempo completo o parcial en todo el mundo, con YouTube como la plataforma m´ as grande, seguida de TikTok e Instagram. Sin embargo, la inestabilidad de los ingresos (cambios algor´ ıtmicos, demonetizaciones) y la ausencia de protecci´ on social son desaf´ ıos importantes. Especialistas en SEO y SEM. El Search Engine Optimization (SEO) y el Search Engine Marketing (SEM, principalmente Google Ads) constituyen una industria global que emplea a cientos de miles de profesionales. Las agencias de marketing digital ofrecen servicios de investigaci´ on de palabras clave, optimizaci´ on de contenidos, construcci´ on de enlaces, auditor´ ıas t´ ecnicas, y gesti´ on de campa˜ nas de pago. Los especialistas internos en grandes empresas tambi´ en forman parte de esta categor´ ıa. La necesidad de aparecer en los primeros resultados de Google ha creado un mercado de herramientas (Ahrefs, SEMrush, Moz) y certificaciones (Google Skillshop, HubSpot). Se estima que solo en Estados Unidos hay m´ as de 300.000 empleos directos en SEO/SEM, y en la Uni´ on Europea alrededor de 400.000. Editores web y creadores de contenido financiados por AdSense. Miles de sitios web de noticias, blogs, foros y portales tem´ aticos dependen de los ingresos de Google AdSense para cubrir sus costes operativos. Cuando Google modifica su algoritmo (por ejemplo, las Abraham Zamudio 66 PIT: Python Basico

Sesion 1 actualizaciones Panda o Penguin), algunos sitios ven caer
dr´ asticamente sus ingresos y se ven forzados a despedir redactores, editores y administradores. La precariedad es com´ un: un sitio medio puede generar entre 500 y 5.000 d´ olares mensuales por AdSense, suficiente para pagar a uno o dos redactores freelance. Grandes redes de medios (Vox Media, Hearst) utilizan AdSense como complemento a la venta directa, pero no como fuente principal. La volatilidad de los ingresos publicitarios hace que este empleo sea inseguro. Profesionales de servicios de Google Cloud y socios de implementaci´ on. Google Cloud Platform (GCP) ha creado un ecosistema de socios de consultor´ ıa e integraci´ on (Accenture, Deloitte, Wipro, y miles de peque˜ nas empresas) que ayudan a los clientes a migrar a la nube, implementar soluciones de an´ alisis de datos (BigQuery) y desarrollar aplicaciones con TensorFlow. Estos socios emplean a arquitectos de nube, ingenieros de datos, especialistas en machine learning y desarrolladores. El programa “Google Cloud Partner Advantage” certifica a m´ as de 100.000 profesionales en todo el mundo. La demanda de habilidades en GCP ha aumentado significativamente, aunque sigue por detr´ as de AWS. Efecto multiplicador regional: estudios de caso Varios estudios econ´ omicos han tratado de cuantificar el impacto total de Alphabet en el empleo, incluyendo los empleos inducidos por el gasto de los empleados directos (efecto multiplicador keynesiano). El m´ as citado es el informe de AlphaBeta (encargado por Google) de 2020, que estim´ o que el ecosistema de Google hab´ ıa generado 3,4 millones de empleos en la Uni´ on Europea (1,1 millones directos, indirectos e inducidos atribuibles a actividades relacionadas con Google). En Estados Unidos, una investigaci´ on de la Progressive Policy Institute (2019) situaba la cifra en 2,2 millones. Sin embargo, estas cifras son controvertidas porque atribuyen empleos que podr´ ıan existir incluso sin Google (por ejemplo, una agencia de marketing que trabaja tambi´ en con Bing o Facebook). Metodolog´ ıas m´ as conservadoras, como la del Bureau of Labor Statistics de EE.UU., no ofrecen desgloses espec´ ıficos. Caso: Dubl´ ın, Irlanda. Google tiene su sede europea en Dubl´ ın, donde emplea directamente a m´ as de 8.000 personas (ingenier´ ıa, ventas, legal). Un estudio de la Universidad de Dubl´ ın (2021) estim´ o que por cada empleo directo de Google se generan 2,3 empleos indirectos en la regi´ on (en restauraci´ on, construcci´ on, servicios profesionales, vivienda). Dubl´ ın ha experimentado una escasez de vivienda y un aumento del coste de vida atribuible en parte a la llegada de las tecnol´ ogicas, lo que genera tensiones sociales. Caso: Hyderabad, India. El campus de Google en Hyderabad (Gachibowli) es uno de los m´ as grandes fuera de EE.UU., con m´ as de 7.000 empleados directos. La presencia de Google ha atra´ ıdo a otras empresas tecnol´ ogicas (Microsoft, Amazon, Facebook) y ha creado un cl´ uster de startups, generando decenas de miles de empleos en TI. Los salarios de los ingenieros de Google en India (aproximadamente 30.000-50.000 d´ olares anuales) son muy superiores a la media local, lo que impulsa el consumo de bienes y servicios de lujo, pero tambi´ en la inflaci´ on en el sector inmobiliario. Abraham Zamudio 67 PIT: Python Basico

Sesion 1 Automatizaci´ on, deslocalizaci´ on y el futuro del
empleo en el ecosistema Google Aunque el ecosistema de Alphabet crea empleo, tambi´ en lo destruye o transforma mediante la automatizaci´ on. Dentro de la propia empresa, Google ha invertido en inteligencia artificial para reducir la necesidad de operadores humanos en tareas repetitivas: la moderaci´ on de contenido en YouTube se realiza en un 94 % mediante algoritmos (aunque los revisores humanos se encargan de los casos complejos), la calibraci´ on de centros de datos se optimiza con aprendizaje autom´ atico (DeepMind redujo el consumo de energ´ ıa en un 40 %), y el servicio de atenci´ on al cliente de Google Ads utiliza chatbots basados en BERT. Impacto en profesiones tradicionales. La automatizaci´ on de la publicidad digital (Smart Bidding, campa˜ nas autom´ aticas) ha reducido la demanda de expertos en compra de medios (media buyers) que antes gestionaban pujas manualmente. Muchos de estos profesionales han tenido que recapacitarse hacia el an´ alisis de datos o la estrategia creativa. Los traductores humanos han visto c´ omo Google Translate (basado en redes neuronales) les quita volumen de trabajo en traducciones gen´ ericas, aunque persiste la demanda de traducci´ on literaria y localizaci´ on especializada. Los redactores de contenidos de baja calidad (contenido para granjas de SEO) est´ an siendo reemplazados por herramientas de IA generativa (como Gemini) que escriben textos b´ asicos. Programas de upskilling: Grow with Google. Consciente de estas tensiones, Google ha lanzado “Grow with Google” (2017), una iniciativa global de formaci´ on gratuita en habilidades digitales. Incluye certificados profesionales (IT Support, Data Analytics, Project Management, UX Design, Android Development, Cybersecurity) que se imparten a trav´ es de Coursera, sin necesidad de t´ ıtulo universitario. A 2023, m´ as de 8 millones de personas se hab´ ıan inscrito en estos programas en EE.UU., y Google hab´ ıa contratado a miles de egresados de sus propios certificados. Adem´ as, ofrece talleres presenciales en bibliotecas y centros comunitarios, y apoya a organizaciones sin fines de lucro que capacitan a minor´ ıas y mujeres. Si bien estas iniciativas pal´ ıan parcialmente la destrucci´ on de empleo, los cr´ ıticos se˜ nalan que los salarios de los egresados de los certificados son significativamente m´ as bajos que los de los titulados universitarios, y que Google se beneficia de una mano de obra m´ as barata y flexible. Despidos y reestructuraci´ on. La oleada de despidos de 2023 (12.000 empleados) no fue un hecho aislado. Google tambi´ en despidi´ o a 4.000 empleados en 2008-2009 durante la crisis financiera, y ha realizado recortes peri´ odicos en ´ areas no estrat´ egicas (m´ odem de Google+, proyectos de hardware como Lytro). Los despidos se justificaron como un ajuste por “sobrecontrataci´ on durante la pandemia” y un cambio de enfoque hacia la inteligencia artificial. La forma en que se ejecutaron (avisos por correo electr´ onico masivo, desactivaci´ on inmediata de accesos) fue criticada por falta de humanidad. Los trabajadores despedidos en Estados Unidos recibieron indemnizaciones (16 semanas de salario m´ as dos semanas por a˜ no trabajado) y apoyo para recolocaci´ on, pero en otros pa´ ıses las condiciones fueron menos generosas, lo que gener´ o demandas. Abraham Zamudio 68 PIT: Python Basico

Sesion 1 Comparaci´ on con otros gigantes tecnol´ ogicos En
t´ erminos de empleo directo, Alphabet (190.000) es superado por Amazon (1,5 millones, pero la mayor´ ıa en log´ ıstica y comercio), Microsoft (220.000), Apple (164.000) y Meta (86.000). Sin embargo, si se considera el empleo indirecto en el ecosistema de aplicaciones y creadores, Alphabet probablemente es el l´ ıder. Apple genera menos empleo indirecto porque su modelo de App Store es m´ as cerrado y las comisiones m´ as altas reducen los m´ argenes de los desarrolladores. Microsoft tiene un ecosistema de socios de consultor´ ıa (ERP, CRM, Azure) similar al de Google Cloud, pero con mayor ´ enfasis en software empresarial. La singularidad de Alphabet reside en la combinaci´ on de un motor de b´ usqueda que financia la web abierta (AdSense), una plataforma de v´ ıdeo que crea una nueva clase de trabajadores culturales (youtubers) y un sistema operativo m´ ovil que democratiza el desarrollo de aplicaciones. Conclusi´ on de la subsecci´ on La generaci´ on de empleo en el ecosistema de Alphabet es masiva, diversa y ambivalente. Los empleos directos en Google y sus subsidiarias son de alta calidad (salarios, beneficios, formaci´ on), pero est´ an concentrados geogr´ afica y educacionalmente, y son vulnerables a reestructuraciones. El empleo indirecto (desarrolladores, creadores de contenido, especialistas SEO, editores) ofrece oportunidades de ingreso para millones de personas en todo el mundo, a menudo con baja barrera de entrada, pero tambi´ en con alta precariedad, inestabilidad y falta de protecci´ on social. La automatizaci´ on impulsada por la propia inteligencia artificial de Google est´ a desplazando ciertas tareas, aunque la compa˜ n´ ıa invierte en programas de reciclaje profesional. El equilibrio neto entre creaci´ on y destrucci´ on de empleo es dif´ ıcil de calcular, pero es innegable que el ecosistema de Alphabet ha reconfigurado el mapa laboral del siglo XXI, creando ocupaciones que no exist´ ıan hace veinte a˜ nos (youtuber, especialista en SEO, ingeniero de datos en la nube) y haciendo obsoletas otras (administrador de servidores locales, operador de centralita telef´ onica). Para los responsables pol´ ıticos, el desaf´ ıo es maximizar los beneficios del empleo digital mientras se mitigan sus externalidades negativas: desigualdad de ingresos, precariedad, falta de representaci´ on sindical y dependencia excesiva de una sola plataforma. Alphabet, por su parte, tiene la responsabilidad de garantizar condiciones laborales dignas en toda su cadena de valor, incluyendo a los contratistas, y de ser transparente sobre el impacto en el empleo de sus decisiones algor´ ıtmicas. 6.5. Google como motor de innovaci´ on empresarial M´ as all´ a de su impacto directo en publicidad y empleo, Google act´ ua como un motor de innovaci´ on para empresas de todos los tama˜ nos, proporcionando infraestructura tecnol´ ogica, herramientas de an´ alisis, plataformas de desarrollo y ecosistemas completos que permiten crear nuevos productos y servicios. Esta faceta de Alphabet, a menudo menos visible que el buscador o YouTube, es quiz´ as la que m´ as profundamente est´ a transformando la forma en que las organizaciones conciben, construyen y escalan soluciones digitales. Desde la nube hasta los sistemas operativos m´ oviles, pasando por las herramientas de colaboraci´ on y los programas de apoyo a startups, Google ha democratizado el acceso a tecnolog´ ıas que antes solo estaban al alcance de grandes corporaciones con presupuestos de I+D multimillonarios. Abraham Zamudio 69 PIT: Python Basico

Sesion 1 Sin embargo, esta innovaci´ on habilitada tambi´ en
conlleva riesgos de dependencia, asimetr´ ıas de poder y tensiones competitivas que merecen un an´ alisis detallado. Google Cloud Platform (GCP): la nube que compite con los gigantes Google Cloud Platform (GCP) es el conjunto de servicios de computaci´ on en la nube que Alphabet ofrece a empresas y desarrolladores. Aunque en cuota de mercado global ocupa el tercer lugar (alrededor del 10 % a finales de 2023, por detr´ as de Amazon Web Services con el 32 % y Microsoft Azure con el 22 %), GCP se distingue por su especializaci´ on en an´ alisis de big data, aprendizaje autom´ atico e infraestructura global de alta velocidad. La plataforma surgi´ o de la necesidad interna de Google de gestionar sus propios servicios masivos (b´ usqueda, Gmail, YouTube) y luego se comercializ´ o a partir de 2008 con el lanzamiento de Google App Engine. Hoy, GCP ofrece m´ as de 100 productos que cubren computaci´ on, almacenamiento, bases de datos, redes, big data, IA/ML, Internet de las cosas (IoT), seguridad y DevOps. Computaci´ on y almacenamiento escalables. El n´ ucleo de c´ omputo de GCP es Compute Engine, que proporciona m´ aquinas virtuales (VMs) personalizables con opciones de vCPU, memoria RAM, discos SSD o HDD, y GPUs (NVIDIA Tesla, incluyendo las recientes A100 y H100 para cargas de IA). Los usuarios pueden elegir entre instancias est´ andar, de alta memoria, de alta CPU, o instancias “spot” (con descuento de hasta el 60 % pero con posibilidad de ser interrumpidas). Para cargas de trabajo contenerizadas, Google Kubernetes Engine (GKE) es el servicio administrado de Kubernetes m´ as maduro del mercado, fruto del propio origen de Kubernetes en Google (Borg). GKE automatiza el escalado, las actualizaciones y la recuperaci´ on de fallos, y se integra con Cloud Run para ejecutar contenedores sin servidor (serverless). En almacenamiento, Cloud Storage ofrece objetos (blobs) con clases de rendimiento: est´ andar (acceso frecuente), nearline (acceso mensual), coldline (trimestral) y archive (anual), con precios decrecientes. La red privada global de Google (B4 y Jupiter), con una capacidad de m´ as de 100 Gbps entre centros de datos, permite transferencias de datos ultrarr´ apidas. BigQuery: democratizaci´ on del an´ alisis de petabytes. BigQuery es el servicio estrella de GCP y uno de los m´ as innovadores. Es un almac´ en de datos (data warehouse) serverless y altamente escalable que permite ejecutar consultas SQL sobre petabytes de datos en segundos, sin necesidad de aprovisionar servidores ni ´ ındices. Su motor de ejecuci´ on divide las consultas en miles de m´ aquinas en paralelo, aprovechando la red de alta velocidad de Google. Los precios se basan en la cantidad de datos procesados (a partir de 5 d´ olares por terabyte) o en modelo de capacidad fija (flat rate). BigQuery se ha convertido en la herramienta favorita de peque˜ nas empresas y startups para analizar logs de aplicaciones, datos de ventas, eventos de marketing y telemetr´ ıa de dispositivos, tareas que antes requer´ ıan cl´ usteres de Hadoop o costosas licencias de bases de datos columnares (como Vertica o Teradata). La integraci´ on con Looker (adquirido por Google en 2020) permite crear dashboards interactivos. Adem´ as, BigQuery ML permite entrenar modelos de machine learning directamente con SQL, sin mover datos. Abraham Zamudio 70 PIT: Python Basico

Sesion 1 Machine Learning y TensorFlow. Google ha sido pionera
en la inteligencia artificial, y ese conocimiento se filtra a GCP a trav´ es de varias ofertas. Vertex AI es una plataforma unificada para todo el ciclo de vida del ML: desde el etiquetado de datos (con el servicio de etiquetado humano asistido por IA) hasta el entrenamiento (con soporte para frameworks como TensorFlow, PyTorch, scikit-learn y XGBoost), el ajuste de hiperpar´ ametros, el despliegue de modelos (en contenedores o en servidores de inferencia) y el monitoreo de deriva de conceptos. Los modelos preentrenados de la API de Natural Language (an´ alisis de sentimiento, entidades, sintaxis), Vision API (detecci´ on de objetos, caras, texto en im´ agenes OCR), Translation API (soporta m´ as de 100 idiomas con redes neuronales) y Video Intelligence API (detecci´ on de escenas, logos, contenido expl´ ıcito) permiten que una startup a˜ nada capacidades avanzadas de IA con solo unas pocas llamadas REST. Adem´ as, Google ofrece sus propias unidades de procesamiento tensorial (TPU) en GCP, circuitos integrados espec´ ıficos para la aplicaci´ on dise˜ nados para acelerar el entrenamiento de redes neuronales. Las TPU v4, disponibles desde 2021, alcanzan m´ as de 400 teraflops por chip y est´ an interconectadas en pods de m´ as de 4.000 chips, siendo la infraestructura utilizada para entrenar modelos como PaLM y Gemini. Casos de ´ exito empresarial con GCP. Empresas de todos los sectores utilizan GCP. Spotify migr´ o sus sistemas de an´ alisis de datos (antes basados en Hadoop) a BigQuery y Dataflow (procesamiento de flujos), reduciendo los tiempos de consulta de horas a segundos y permitiendo recomendaciones personalizadas en tiempo real. Twitter utiliza GCP para analizar el comportamiento de los usuarios y detectar spam, adem´ as de almacenar archivos multimedia en Cloud Storage. PayPal, tras una migraci´ on gradual, aloja una parte de su infraestructura de pagos en GKE, obteniendo alta disponibilidad y escalado autom´ atico. Las startups de biotecnolog´ ıa, como Benchling, utilizan la red de GCP para transferir grandes vol´ umenes de datos gen´ omicos. En el sector p´ ublico, el Ayuntamiento de Buenos Aires implement´ o BigQuery para analizar patrones de movilidad y optimizar el transporte p´ ublico. Estos casos demuestran que GCP no es solo para empresas nativas digitales, sino tambi´ en para organizaciones tradicionales que buscan modernizarse. Android y el ecosistema m´ ovil: innovaci´ on por c´ odigo abierto Cuando Google adquiri´ o Android Inc. en 2005 por unos 50 millones de d´ olares, pocos imaginaban que aquel sistema operativo para c´ amaras digitales se convertir´ ıa en la plataforma m´ ovil dominante del mundo. Android es de c´ odigo abierto (licencia Apache 2.0), lo que significa que cualquier fabricante de hardware puede descargar el c´ odigo fuente, adaptarlo a sus dispositivos y distribuirlo sin pagar regal´ ıas a Google. Esta estrategia rompi´ o el modelo cerrado de Apple (iOS exclusivo para iPhone) y de los sistemas propietarios de Nokia (Symbian), Microsoft (Windows Phone) y BlackBerry. Como resultado, Android alcanz´ o una cuota de mercado de m´ as del 70 % en smartphones (excluyendo China, donde los servicios de Google est´ an bloqueados). El ecosistema ha generado una innovaci´ on masiva: Fabricantes de hardware. Empresas como Samsung, Xiaomi, Oppo, Vivo, Realme, Mo- torola y Nokia (HMD Global) han podido diferenciarse mediante capas de personalizaci´ on (One UI, MIUI, ColorOS), hardware especializado (c´ amaras, bater´ ıas, sensores) y precios competitivos. Sin Android, estas empresas habr´ ıan tenido que desarrollar su propio sistema Abraham Zamudio 71 PIT: Python Basico

Sesion 1 operativo, un esfuerzo prohibitivo. El resultado es una
diversidad de dispositivos que cubren desde tel´ efonos de 50 d´ olares hasta plegables de 2.000 d´ olares, llegando a mercados emergentes y a segmentos de bajos ingresos. Desarrolladores de aplicaciones. La Google Play Store (junto con tiendas alternativas como Amazon Appstore, Samsung Galaxy Store y las chinas) ofrece un canal de distribuci´ on global. Los desarrolladores utilizan Android Studio (IDE basado en IntelliJ) y lenguajes Kotlin (preferido oficialmente desde 2019) o Java. El sistema de permisos, las API de Google Play Services (que permiten actualizaciones sin depender del fabricante) y el soporte para m´ ultiples tama˜ nos de pantalla han reducido la fragmentaci´ on. Para 2023, los ingresos brutos de la Play Store superaron los 40 mil millones de d´ olares, de los cuales Google se queda con un 15-30 % (dependiendo de si se trata de suscripciones despu´ es del primer a˜ no) y el resto para los desarrolladores. Este ecosistema ha creado millones de empleos (como se discuti´ o en la subsecci´ on anterior) y ha fomentado la innovaci´ on en categor´ ıas como juegos, educaci´ on, salud, finanzas y productividad. Innovaci´ on en servicios complementarios. Sobre Android, Google ha construido servicios que a su vez se convierten en plataformas para terceros: Google Maps API permite a aplicaciones como Uber, Lyft y DoorDash integrar mapas y rutas; Google Pay facilita pagos sin fricci´ on; Firebase ofrece herramientas de desarrollo (autenticaci´ on, bases de datos en tiempo real, notificaciones push, analytics) que reducen dr´ asticamente el tiempo de lanzamiento de aplicaciones. Muchas startups dependen completamente del ecosistema Android para su modelo de negocio, por ejemplo, las aplicaciones de delivery o las de banca m´ ovil en pa´ ıses donde iOS tiene poca penetraci´ on. Herramientas de productividad y colaboraci´ on: Google Workspace Google Workspace (antiguo G Suite) es el conjunto de aplicaciones de oficina en la nube que compite directamente con Microsoft 365. Incluye Gmail, Calendar, Drive, Docs, Sheets, Slides, Forms, Sites, Meet y Chat. Para las empresas, la principal innovaci´ on es la colaboraci´ on en tiempo real: varios usuarios pueden editar el mismo documento, hoja de c´ alculo o presentaci´ on simult´ aneamente, ver los cambios caracterizados por colores, chatear integrado y dejar comentarios. El historial de revisiones permite recuperar versiones anteriores. La integraci´ on con Google Drive (15 GB gratuitos por usuario, escalable hasta terabytes) centraliza el almacenamiento de archivos, accesible desde cualquier dispositivo. APIs y automatizaci´ on con Apps Script. Google Apps Script es una plataforma de desarrollo en la nube basada en JavaScript que permite extender y automatizar Workspace. Por ejemplo, un formulario de Google Forms puede, al enviarse, ejecutar un script que escribe los datos en una hoja de c´ alculo, env´ ıa un correo electr´ onico personalizado con un resumen, crea un evento en Calendar y actualiza un panel de control en Sites. Las empresas utilizan Apps Script para flujos de aprobaci´ on (por ejemplo, solicitudes de vacaciones), generaci´ on de informes peri´ odicos, integraci´ on con APIs externas (CRM, ERP) y env´ ıos de recordatorios. Aunque Apps Script tiene limitaciones de tiempo de ejecuci´ on (6 minutos por ejecuci´ on) y Abraham Zamudio 72 PIT: Python Basico

Sesion 1 de memoria, es suficiente para la mayor´ ıa
de las automatizaciones de peque˜ na y mediana empresa. Seguridad y cumplimiento. Google Workspace ofrece caracter´ ısticas empresariales como la autenticaci´ on de dos factores (2FA), inicio de sesi´ on ´ unico (SSO) mediante SAML, controles de acceso de extremo a extremo, prevenci´ on de p´ erdida de datos (DLP), registros de auditor´ ıa y cumplimiento con HIPAA, GDPR, FedRAMP (para agencias gubernamentales de EE.UU.) y otros est´ andares. Esto permite que incluso empresas reguladas migren su correo y documentos a la nube de Google, abandonando servidores locales (on-premises) que requer´ ıan mantenimiento y parches de seguridad constantes. Impacto en el emprendimiento tecnol´ ogico: programas de Alphabet Alphabet no solo proporciona plataformas pasivas, sino que activamente fomenta la creaci´ on de nuevas empresas a trav´ es de varios programas e inversiones directas. Google for Startups. Lanzado en 2015, este programa ofrece a startups elegibles cr´ editos gratuitos en GCP (hasta 100.000 d´ olares durante dos a˜ nos), as´ ı como acceso a mentores de Google (ingenieros, dise˜ nadores, especialistas en marketing), talleres sobre temas como dise˜ no de producto, growth hacking, fundraising y compliance, y conexiones con inversores de riesgo. Existen hubs f´ ısicos (campus) en Madrid, Se´ ul, S˜ ao Paulo, Tel Aviv, Varsovia y otras ciudades, que proporcionan espacios de coworking gratuitos o de bajo coste. El programa tambi´ en organiza eventos como “Demo Days” y “Startup Accelerator” (verticales como inteligencia artificial, sostenibilidad, salud). Seg´ un datos de Google, m´ as de 100.000 startups han participado en el programa desde su inicio, y las graduadas han recaudado m´ as de 10 mil millones de d´ olares en financiamiento externo. GV (antiguo Google Ventures) y CapitalG. Estos son los brazos de capital riesgo de Alphabet, que invierten en startups en etapas tempranas (GV) y de crecimiento (CapitalG). A diferencia de los fondos corporativos t´ ıpicos, GV opera de manera independiente: sus socios no est´ an obligados a invertir en empresas que usen productos de Google, y las startups no reciben autom´ aticamente acceso preferencial a la tecnolog´ ıa de Google. Sin embargo, la red de contactos y la credibilidad de ser respaldados por Alphabet son un valor significativo. GV ha invertido en empresas como Uber, Nest (adquirida por Google), Slack, Stripe, GitLab y Lemonade. CapitalG ha respaldado a Stripe (en rondas posteriores), Airbnb, Wish y Grammarly. El retorno de estas inversiones contribuye a los resultados de Alphabet, pero m´ as importante, fomenta la innovaci´ on externa que a veces complementa o incluso compite con los productos de Google. Area 120 y otros aceleradores internos. Area 120 (en referencia a la famosa pol´ ıtica de “20 % de tiempo” de Google) es un laboratorio interno que permite a los empleados de Google trabajar en sus propias ideas de startups durante algunos meses, con la posibilidad de que el proyecto se convierta en una empresa independiente respaldada por Alphabet. Entre los proyectos exitosos salidos de Area 120 est´ an Grasshopper (aplicaci´ on para aprender programaci´ on, adquirida luego por Google), Touring Bird (gu´ ıas de viajes) y AdLingo (anuncios Abraham Zamudio 73 PIT: Python Basico

Sesion 1 conversacionales). Aunque muchos proyectos fracasan, la iniciativa mantiene
el esp´ ıritu emprendedor dentro de la organizaci´ on y ha producido innovaciones que luego se integran en productos principales. L´ ımites, cr´ ıticas y dependencia del proveedor A pesar de los beneficios evidentes, el papel de Google como motor de innovaci´ on empresarial no est´ a exento de aspectos oscuros. Las empresas que construyen sus productos sobre GCP, Android o Workspace aceptan t´ erminos y condiciones que les otorgan a Google amplios derechos sobre los datos (en los servicios gratuitos) y la capacidad de cambiar las reglas unilateralmente. Dependencia de un solo proveedor (vendor lock-in). Migrar una aplicaci´ on completa fuera de GCP a AWS o a una infraestructura local es costoso y complejo. Implica reescribir c´ odigo que utiliza APIs espec´ ıficas de Google (por ejemplo, Datastore, BigQuery, las APIs de ML), transferir grandes vol´ umenes de datos (con costes de egress), y formar al equipo en otra plataforma. Las empresas quedan as´ ı cautivas de las decisiones de precios de Google. Si Google aumenta el precio de BigQuery, la empresa no puede cambiarse f´ acilmente. Este poder de mercado ha llevado a la Comisi´ on Europea a investigar pr´ acticas de “vendor lock-in” en los servicios en la nube. Competencia desleal con startups. Hist´ oricamente, Google ha lanzado productos que compiten directamente con startups que utilizaban su plataforma. Por ejemplo, Google Compare (comparador de seguros) compiti´ o con startups de insurtech que usaban Google Ads; Google Flights compiti´ o con Kayak y Skyscanner; Google Trips compiti´ o con aplicaciones de planificaci´ on de viajes. Aunque Google ha cerrado algunos de estos servicios, el patr´ on genera desconfianza. En su defensa, Google alega que entra en mercados donde ve oportunidades de mejorar la experiencia del usuario, pero el resultado pr´ actico es una “innovaci´ on matada” (kill zone) donde los emprendedores evitan competir directamente con Google. Las autoridades de competencia han multado a Google en Europa por favorecer sus propios servicios de comparaci´ on de precios (Google Shopping) y vuelos (Google Flights) en los resultados de b´ usqueda. Acceso a datos de terceros. Cuando una startup utiliza servicios gratuitos de Google (por ejemplo, Google Analytics, Google Maps API en el plan gratuito), Google tiene acceso a los datos de sus usuarios y a m´ etricas de uso. Aunque los t´ erminos de servicio proh´ ıben expl´ ıcitamente usar esos datos para competir, la asimetr´ ıa de informaci´ on es evidente. En el caso de GCP de pago, Google promete no utilizar los datos del cliente para publicidad u otros fines, pero la confianza depende de auditor´ ıas externas que no siempre son transparentes. Cierre de servicios y migraciones forzadas. Google es conocida por cerrar servicios que no alcanzan la masa cr´ ıtica (Killed by Google es un sitio que documenta m´ as de 200 productos descontinuados). Empresas que construyeron su modelo de negocio sobre Google Reader (agregador de RSS), Google+, Google Hangouts (versi´ on antigua), o Google Domains (venta de dominios) se vieron obligadas a migrar con plazos ajustados, a veces con p´ erdidas Abraham Zamudio 74 PIT: Python Basico

Sesion 1 econ´ omicas. Aunque Google suele dar avisos de
al menos 12 meses antes del cese, el riesgo de que una dependencia estrat´ egica desaparezca es real. Esto ha llevado a algunas empresas a adoptar una estrategia de “multi-nube” (usar dos o m´ as proveedores) para mitigar el riesgo, aunque ello aumenta la complejidad operativa. Conclusi´ on de la subsecci´ on Google, a trav´ es de GCP, Android, Workspace y sus programas de apoyo, ha actuado como un poderoso motor de innovaci´ on empresarial, reduciendo las barreras de entrada a tecnolog´ ıas avanzadas y permitiendo que startups y empresas establecidas construyan productos escalables con inversiones m´ ınimas. La nube democratiza el acceso a la computaci´ on masiva, el an´ alisis de datos y la inteligencia artificial; el ecosistema Android crea un mercado de miles de millones de dispositivos; y las herramientas de colaboraci´ on transforman la forma de trabajar. Sin embargo, esta innovaci´ on habilitada viene acompa˜ nada de una dependencia estructural que otorga a Alphabet un poder considerable sobre los negocios que se apoyan en sus plataformas. La posibilidad de cambios unilaterales de precios, la competencia directa en nichos emergentes, el vendor lock-in y el cierre de servicios son riesgos que los emprendedores deben sopesar. La tendencia hacia la multi-nube y el c´ odigo abierto (Kubernetes, TensorFlow) son intentos de mitigar esa dependencia, pero la integraci´ on profunda con los servicios gestionados de Google sigue siendo atractiva por su simplicidad. En ´ ultima instancia, Google como motor de innovaci´ on es un arma de doble filo: acelera el progreso tecnol´ ogico, pero centraliza el poder en un ´ unico actor corporativo, cuyas decisiones afectan a millones de empresas en todo el mundo. Esta tensi´ on ser´ a uno de los temas centrales en las secciones dedicadas a las controversias sobre monopolio y privacidad. Conclusi´ on de la secci´ on. Google no solo participa en la econom´ ıa digital, sino que la estructura profundamente. Su modelo de publicidad financia la gratuidad de servicios esenciales, su plataforma publicitaria potencia a PYMEs, su infraestructura de nube y m´ ovil acelera la innovaci´ on, y su ecosistema genera empleos masivos. Sin embargo, este poder econ´ omico concentrado genera tensiones competitivas y dependencias sist´ emicas que requieren regulaci´ on y diversificaci´ on por parte de los actores econ´ omicos. Las siguientes secciones del art´ ıculo abordan las controversias (monopolio, privacidad) que complementan este an´ alisis. 7. Google y el Desarrollo Tecnol´ ogico 7.1. Investigaci´ on en inteligencia artificial La investigaci´ on en inteligencia artificial (IA) dentro de Alphabet ha pasado de ser un proyecto perif´ erico a convertirse en el n´ ucleo estrat´ egico de la compa˜ n´ ıa. Desde los primeros trabajos en aprendizaje autom´ atico para mejorar la relevancia de la b´ usqueda hasta el desarrollo de modelos de lenguaje masivos como Gemini, la inversi´ on acumulada supera los 40 mil millones de d´ olares anuales en I+D (2023). Esta subsecci´ on detalla los hitos fundamentales, las arquitecturas t´ ecnicas, las aplicaciones transformadoras y los desaf´ ıos ´ eticos que la investigaci´ on de Google ha enfrentado. Abraham Zamudio 75 PIT: Python Basico

Sesion 1 Or´ ıgenes y adquisiciones estrat´ egicas El laboratorio
Google Brain fue fundado en 2011 por Jeff Dean, Greg Corrado y Andrew Ng (quien luego se unir´ ıa a Baidu). Su primer gran logro fue el proyecto DistBelief, un framework de aprendizaje profundo distribuido que demostr´ o que las redes neuronales pod´ ıan escalar a miles de n´ ucleos de CPU. En 2012, una red neuronal entrenada por Google Brain para reconocer gatos en v´ ıdeos de YouTube (usando 16.000 n´ ucleos) captur´ o la imaginaci´ on del p´ ublico. Sin embargo, el verdadero punto de inflexi´ on fue la adquisici´ on de DeepMind por parte de Alphabet en 2014 por una cantidad estimada de 500 millones de d´ olares (algunas fuentes citan 650 millones). Fundada en Londres por Demis Hassabis, Shane Legg y Mustafa Suleyman, DeepMind combinaba la investigaci´ on en aprendizaje por refuerzo profundo con la neurociencia. El sistema AlphaGo, que en 2016 derrot´ o al campe´ on mundial de Go Lee Sedol, demostr´ o que las m´ aquinas pod´ ıan superar la intuici´ on humana en un juego de complejidad astron´ omica (m´ as de 10170 posiciones). A partir de 2018, Google Brain y DeepMind colaboraron estrechamente, y en abril de 2023 Alphabet anunci´ o la fusi´ on de ambos en Google DeepMind, bajo la direcci´ on de Hassabis, para unificar los esfuerzos en inteligencia artificial general (AGI). Arquitecturas transformadoras: de Transformer a Gemini El avance m´ as influyente salido de Google Brain fue el paper “Attention Is All You Need” (2017), que introdujo la arquitectura Transformer. A diferencia de las redes recurrentes (RNN) o convolucionales (CNN), el Transformer se basa exclusivamente en mecanismos de atenci´ on (self-attention) que permiten procesar secuencias completas en paralelo, capturando dependencias de largo alcance. Esta arquitectura se convirti´ o en la base de todos los grandes modelos de lenguaje (LLM) posteriores. Google desarroll´ o BERT (Bidirectional Encoder Representations from Transformers, 2018), un modelo preentrenado que entend´ ıa el contexto bidireccional y mejor´ o dr´ asticamente la comprensi´ on de consultas de b´ usqueda, especialmente aquellas con preposiciones y negaciones (por ejemplo, “viajero brasile˜ no a Estados Unidos necesita visa”). La implementaci´ on de BERT en la b´ usqueda de Google requiri´ o comprimir el modelo (DistilBERT) y ejecutarlo en TPU para mantener la latencia por debajo de 100 ms. En 2021 lleg´ o MUM (Multitask Unified Model), un modelo transformer 1000 veces m´ as potente que BERT, entrenado en 75 idiomas y multimodal (texto e im´ agenes). MUM puede responder consultas complejas como “he escalado el monte Rainier, ¿qu´ e ruta en el lago Louise me recomendar´ ıas?” extrayendo caracter´ ısticas visuales y textuales. PaLM y Gemini. En 2022, Google present´ o PaLM (Pathways Language Model) con 540 mil millones de par´ ametros, entrenado en 6144 TPU v4 con un costo computacional estimado de 20 millones de d´ olares. PaLM destac´ o en tareas de razonamiento de sentido com´ un y generaci´ on de c´ odigo. La siguiente evoluci´ on fue Gemini, anunciado en diciembre de 2023 como el modelo m´ as capaz de Google. Gemini es nativamente multimodal: entrenado desde cero con secuencias que intercalan texto, im´ agenes, audio, v´ ıdeo y c´ odigo. Est´ a disponible en tres versiones: Ultra (para tareas altamente complejas, desplegado en centros de datos), Pro (para escala amplia, integrado en Bard/Assistant) y Nano (para dispositivos m´ oviles, ejecut´ andose en el chip Tensor de los Pixel 8). La arquitectura de Gemini utiliza una variante Abraham Zamudio 76 PIT: Python Basico

Sesion 1 eficiente de Transformers con atenci´ on esparsa (Mixture
of Experts, MoE), activando solo subconjuntos de par´ ametros por token, lo que reduce el costo de inferencia. Unidades de procesamiento tensorial (TPU) Reconociendo que las GPUs de NVIDIA no eran ´ optimas para sus cargas de trabajo, Google dise˜ n´ o sus propios circuitos integrados de aplicaci´ on espec´ ıfica (ASIC) llamados TPU. La primera TPU (2015) se enfoc´ o en inferencia, logrando 15-30 veces m´ as rendimiento por vatio que las GPUs contempor´ aneas. La TPU v2 (2017) a˜ nadi´ o soporte para entrenamiento, con un chip que inclu´ ıa n´ ucleos matriciales (Matrix Multiply Units) que pod´ ıan realizar 16x16 multiplicaciones de enteros o flotantes en un solo ciclo. Las TPU v3 (2018) y v4 (2021) aumentaron la memoria de alto ancho de banda (HBM) y el interconectado mediante una red 3D toroidal. Los pods de TPU v4 (4096 chips) alcanzan m´ as de 1 exaflop de rendimiento en precisi´ on mixta (bfloat16). Google ofrece acceso a TPU en GCP, permitiendo a empresas externas entrenar sus propios modelos a gran escala. Aplicaciones transformadoras: AlphaFold y m´ as all´ a Una de las contribuciones m´ as significativas de DeepMind a la ciencia fue AlphaFold 2 (2020), un sistema que predice la estructura tridimensional de prote´ ınas a partir de su secuencia de amino´ acidos con una precisi´ on comparable a los m´ etodos experimentales (cristalograf´ ıa de rayos X). AlphaFold utiliza una arquitectura transformer modificada con atenci´ on evoform (que incorpora informaci´ on evolutiva de secuencias hom´ ologas) y un ciclo de refinamiento geom´ etrico. El modelo fue entrenado con datos p´ ublicos del Protein Data Bank (PDB) y redes de coevoluci´ on. Los resultados del experimento CASP14 (Critical Assessment of Protein Structure Prediction) en 2020 mostraron que AlphaFold super´ o a todos los competidores con un pliegue medio GDT de 92.4 sobre 100. Desde entonces, DeepMind y el Instituto Europeo de Bioinform´ atica han liberado las predicciones de AlphaFold para m´ as de 200 millones de prote´ ınas (pr´ acticamente todas las conocidas), acelerando la investigaci´ on en biolog´ ıa molecular, desarrollo de f´ armacos y dise˜ no de enzimas. Otras aplicaciones notables incluyen AlphaCode (generaci´ on de c´ odigo competitivo), AlphaZero (aprendizaje por refuerzo para juegos), WaveNet (s´ ıntesis de voz de alta calidad, integrada en Google Assistant) y la optimizaci´ on de centros de datos mediante aprendizaje por refuerzo (reducci´ on del 40 % en energ´ ıa de refrigeraci´ on). IA responsable y desaf´ ıos ´ eticos El poder de la IA plantea interrogantes sobre sesgos, transparencia, seguridad y control. Google ha establecido principios de IA (2018) que proh´ ıben aplicaciones en armas, vigilancia masiva que viole normas internacionales, y tecnolog´ ıas cuyo prop´ osito principal sea causar da˜ no. Se cre´ o el equipo PAIR (People + AI Research) para estudiar la interacci´ on humano-IA, y se publican tarjetas de modelo (model cards) que documentan el rendimiento y las limitaciones. Sin embargo, Google ha enfrentado controversias: la salida de destacados investigadores de ´ etica de IA (Timnit Gebru, Margaret Mitchell) tras cr´ ıticas a modelos de lenguaje grandes; la suspensi´ on del chatbot LaMDA (que un ingeniero declar´ o “sintiente”) sin pruebas concluyentes; y el uso de IA para moderaci´ on de contenido en YouTube que a menudo censura de forma Abraham Zamudio 77 PIT: Python Basico

Sesion 1 desproporcionada a minor´ ıas. Adem´ as, el enorme
coste energ´ etico del entrenamiento (estimar que entrenar Gemini Ultra emiti´ o m´ as de 500 toneladas de CO2) ha llevado a Google a compensar emisiones y a investigar hardware m´ as eficiente. Futuro: AGI y m´ as all´ a La meta declarada por Demis Hassabis es lograr la inteligencia artificial general (AGI): sistemas que puedan realizar cualquier tarea cognitiva humana, al menos tan bien como un humano. Google DeepMind est´ a explorando arquitecturas modulares, meta-aprendizaje, memoria externa y agentes aut´ onomos. Proyectos como Gato (un modelo “generalista” entrenado en 600 tareas diferentes, desde juegos de Atari hasta manipulaci´ on rob´ otica) muestran el camino hacia una ´ unica red que controle m´ ultiples comportamientos. Tambi´ en se investigan sistemas de planificaci´ on y razonamiento causal, as´ ı como la integraci´ on de modelos de lenguaje con motores de b´ usqueda simb´ olicos para reducir las alucinaciones. La convergencia de TPU de pr´ oxima generaci´ on (TPU v5) y algoritmos m´ as eficientes podr´ ıa acercar la AGI en la pr´ oxima d´ ecada. No obstante, los riesgos existenciales (desalineaci´ on de objetivos, concentraci´ on de poder) son objeto de estudio en equipos de seguridad de IA dentro de Alphabet. 7.2. Desarrollo de sistemas operativos como Android Android es el sistema operativo m´ ovil m´ as utilizado del mundo, presente en m´ as de 3.000 millones de dispositivos activos y con una cuota de mercado superior al 70 % (excluyendo China). Su desarrollo comenz´ o en 2003 cuando Andy Rubin, Rich Miner, Nick Sears y Chris White fundaron Android Inc. con la idea de crear un sistema operativo para c´ amaras digitales, pero r´ apidamente pivotaron hacia tel´ efonos inteligentes. Google adquiri´ o la compa˜ n´ ıa en 2005 por unos 50 millones de d´ olares, y en 2007 present´ o la Open Handset Alliance (alianza de fabricantes, operadores y desarrolladores). El primer dispositivo comercial, el HTC Dream (G1), sali´ o a la venta en octubre de 2008. Desde entonces, Android ha pasado por 14 versiones principales (nombradas en orden alfab´ etico con nombres de postres hasta Android 10, luego num´ ericas) y decenas de lanzamientos de seguridad. Arquitectura t´ ecnica en capas La arquitectura de Android se organiza en varias capas jer´ arquicas: N´ ucleo Linux (Linux Kernel). Base del sistema, proporciona abstracci´ on de hardware, gesti´ on de memoria, procesos, red y controladores (drivers) para componentes como c´ amara, Wi-Fi, Bluetooth, pantalla t´ actil y sensores. Google mantiene una rama del kernel con parches de seguridad y caracter´ ısticas espec´ ıficas, pero las contribuciones se devuelven al kernel principal. La versi´ on utilizada actualmente es Linux 5.x y 6.x para dispositivos lanzados en 2023-2024. Capa de abstracci´ on de hardware (HAL). Interfaz est´ andar que permite que el framework de Android se comunique con drivers espec´ ıficos del fabricante (como el m´ odem, Abraham Zamudio 78 PIT: Python Basico

Sesion 1 el DSP de audio, el chip de gr´
aficos). Los fabricantes implementan los m´ odulos HAL sin necesidad de modificar el kernel, cumpliendo con la GPL. Tiempo de ejecuci´ on de Android (ART). En versiones iniciales, Dalvik (m´ aquina virtual basada en registro) ejecutaba los bytecode de las aplicaciones. A partir de Android 5.0 (2014), Dalvik fue reemplazado por ART (Android Runtime), que compila las aplicaciones a c´ odigo nativo durante la instalaci´ on (Ahead-of-Time, AOT) o de forma h´ ıbrida (just-in-time m´ as perfilado). ART mejora el rendimiento y reduce el consumo de bater´ ıa. El formato de bytecode es DEX (Dalvik Executable), y las aplicaciones distribuidas en Google Play son archivos APK (Android Package) que contienen DEX, recursos XML, librer´ ıas nativas (libs) y manifiesto. Bibliotecas nativas y de framework. Capas escritas en C/C++ que exponen servicios a las aplicaciones a trav´ es de APIs Java/Kotlin. Incluyen: Surface Manager (composici´ on de ventanas), OpenGL ES (gr´ aficos 3D), MediaCodec (codificaci´ on/decodificaci´ on de v´ ıdeo y audio), SQLite (base de datos ligera), WebKit/Chrome (navegador embebido) y libc (bionic). El framework de aplicaciones (escrito en Java/Kotlin) proporciona componentes como Activity Manager, Content Providers, Notification Manager, Location Manager y Telephony Manager. Modelo de seguridad y permisos Android implementa un modelo de seguridad basado en sandboxing: cada aplicaci´ on se ejecuta en su propio proceso con un ID de usuario (UID) de Linux ´ unico, y no puede acceder a los archivos de otra aplicaci´ on sin permiso expl´ ıcito. Los permisos se declaran en el manifiesto y, desde Android 6.0 (2016), se solicitan en tiempo de ejecuci´ on (no en la instalaci´ on). Las categor´ ıas de permisos incluyen: peligrosos (acceso a ubicaci´ on, c´ amara, micr´ ofono, contactos, SMS), normales (Internet, vibrador) y de firma (solo para aplicaciones con la misma clave de firma). Android 10 introdujo el almacenamiento con ´ ambito (scoped storage) para que las aplicaciones no accedan a archivos fuera de sus directorios privados sin la intervenci´ on del usuario. El sistema de actualizaciones de seguridad mensuales (Google Play System Updates, Project Mainline) permite parchear componentes cr´ ıticos (capa media) sin necesidad de actualizaci´ on completa del sistema por parte del fabricante. Ecosistema de distribuci´ on y fragmentaci´ on La fragmentaci´ on ha sido el desaf´ ıo perpetuo de Android. A diferencia de iOS, que se ejecuta en un n´ umero reducido de dispositivos controlados por Apple, Android se distribuye en miles de modelos de cientos de fabricantes (Samsung, Xiaomi, Huawei, Oppo, Vivo, Motorola, Nokia, etc.). Cada fabricante personaliza el sistema con su capa de interfaz (One UI, MIUI, ColorOS, OxygenOS) y a˜ nade aplicaciones propias. Los operadores telef´ onicos tambi´ en introducen modificaciones y bloatware. Como resultado, las actualizaciones de sistema (nuevas versiones de Android) llegan a los dispositivos con meses o a˜ nos de retraso, y muchos dispositivos de gama baja quedan obsoletos sin soporte de seguridad. Google ha intentado mitigar la fragmentaci´ on separando los servicios de Google Play (que se actualizan independientemente del sistema operativo), lanzando Project Treble (interfaz entre framework y vendor) y Mainline Abraham Zamudio 79 PIT: Python Basico

Sesion 1 (m´ odulos actualizables mediante Play Store). Android 12
y 13 introdujeron la actualizaci´ on del kernel a trav´ es de los Google Play Services, pero la adopci´ on es limitada. Google Play Store y el modelo de negocio. La Play Store es la tienda oficial de aplicaciones, con aproximadamente 3 millones de apps en 2023. Google aplica una comisi´ on del 30 % sobre las transacciones digitales (reducida al 15 % para los primeros 1 mill´ on de d´ olares de ingresos anuales y para suscripciones a partir del segundo a˜ no). Esta pol´ ıtica ha sido objeto de demandas antimonopolio (Epic Games v. Google, resuelta parcialmente a favor de Epic en diciembre de 2023). A diferencia de Apple, Android permite la instalaci´ on de aplicaciones desde fuentes externas (sideloading) y la existencia de tiendas alternativas (Amazon Appstore, Samsung Galaxy Store, F-Droid). Sin embargo, Google advierte sobre riesgos de seguridad. La Play Store tambi´ en distribuye servicios de Google (Maps, Gmail, YouTube) que no pueden ser preinstalados en dispositivos sin licencia de Google Mobile Services (GMS), lo que ha llevado a sanciones a Huawei tras las restricciones comerciales de EE.UU. Innovaciones recientes y futuro Android 14 (2023) introdujo mejoras en rendimiento, personalizaci´ on de pantalla de bloqueo, soporte para fotos en alta resoluci´ on en aplicaciones de terceros y privacidad de datos de salud. La integraci´ on con inteligencia artificial es cada vez m´ as profunda: el asistente Google Assistant puede realizar acciones en el sistema, y los modelos generativos se ejecutan en el dispositivo (Gemini Nano) para tareas como resumir conversaciones o sugerir respuestas con conciencia de contexto. Google tambi´ en ha apostado por la realidad aumentada con ARCore, que permite aplicaciones de medici´ on y navegaci´ on en interiores. El sistema operativo para wearables (Wear OS, antes Android Wear) ha sido renovado con Samsung y Qualcomm, alcanzando mayor fluidez y duraci´ on de bater´ ıa. Android Automotive (no confundir con Android Auto) es una versi´ on completa del sistema operativo para tableros de coches, integrando aplicaciones nativas (Spotify, Maps, asistente) sin necesidad de tel´ efono. Empresas como Volvo, Polestar, GM y Ford han adoptado Android Automotive. El futuro incluye Android para dispositivos plegables (optimizaci´ on de multiventana), mayor integraci´ on con Chrome OS (para ejecutar apps de Android en Chromebooks) y la transici´ on a Rust para escribir componentes de sistema (reemplazando C/C++) y mejorar la seguridad de memoria. Android de c´ odigo abierto y los servicios de Google El c´ odigo fuente de Android se libera bajo licencias Apache 2.0 y GPLv2 (para el kernel). Cualquier persona puede descargar el AOSP (Android Open Source Project), compilarlo y ejecutarlo en hardware compatible sin pagar regal´ ıas. Sin embargo, la mayor´ ıa de los fabricantes incluyen los servicios de Google (GMS) que no son de c´ odigo abierto y requieren un acuerdo comercial. Estos servicios proporcionan APIs de ubicaci´ on, notificaciones push (Firebase Cloud Messaging), autenticaci´ on, pago, mapas y la Play Store. Los dispositivos certificados por Google (que pasan las pruebas de compatibilidad CTS) pueden incluir GMS y mostrar el logo de Google. En China, donde los servicios de Google est´ an bloqueados, los fabricantes utilizan sus propias tiendas y servicios (Huawei Mobile Services, Xiaomi GetApps). La dualidad entre c´ odigo abierto y servicios propietarios ha sido clave para el ´ exito de Android: Abraham Zamudio 80 PIT: Python Basico

Sesion 1 por un lado, evita acusaciones de monopolio total,
pero por otro mantiene el control de Google sobre la experiencia comercial. 7.3. Computaci´ on en la nube y servicios digitales Google Cloud Platform (GCP) es el conjunto de servicios de computaci´ on en la nube que Alphabet ofrece a empresas, gobiernos y desarrolladores. Aunque en cuota de mercado global ocupa el tercer lugar (aproximadamente el 11 % a finales de 2023, frente al 32 % de AWS y el 23 % de Microsoft Azure), GCP se distingue por su especializaci´ on en an´ alisis de datos (BigQuery), aprendizaje autom´ atico (Vertex AI) y una red de fibra ´ optica privada de alta capacidad. Los ingresos de GCP en 2023 superaron los 33 mil millones de d´ olares, pero la divisi´ on a´ un reporta p´ erdidas operativas (alrededor de 3 mil millones) debido a la agresiva inversi´ on en centros de datos y personal. Esta subsecci´ on desglosa la arquitectura, los servicios clave, los modelos de precios y las ventajas competitivas. Infraestructura global: centros de datos, regiones y redes Google opera 24 centros de datos de hiperescala en cuatro continentes, m´ as docenas de puntos de presencia (PoPs) de borde. Cada centro de datos est´ a dise˜ nado con una eficiencia energ´ etica excepcional: el PUE (Power Usage Effectiveness) promedio es de 1.10 (frente al 1.5 de centros t´ ıpicos), gracias a tecnolog´ ıas de refrigeraci´ on evaporativa, recirculaci´ on de agua y uso de inteligencia artificial para optimizar el flujo de aire. Google es carbono neutral desde 2007 y planea operar con energ´ ıa libre de carbono 24/7 en todos sus centros de datos para 2030. La red privada global (B4 y Jupiter) conecta los centros de datos con conmutadores de fibra ´ optica de alta capacidad (m´ as de 100 Gbps por enlace) y protocolos SDN. Esta red permite latencias extremadamente bajas entre regiones (por ejemplo, 15 ms entre EE.UU. este y oeste). Los clientes de GCP pueden desplegar recursos en regiones como us-central1 (Iowa), europe-west3 (Frankfurt), asia-southeast1 (Singapur), y recientemente en Sudam´ erica (southamerica-east1, S˜ ao Paulo) y ´ Africa (future plans). Cada regi´ on consta de al menos tres zonas (zones) separadas f´ ısicamente (con energ´ ıa, red y refrigeraci´ on independientes) para tolerancia a fallos. Servicios de c´ omputo: Compute Engine, GKE y Cloud Run Compute Engine (IaaS). Proporciona m´ aquinas virtuales (VM) con opciones de vCPU (Intel Xeon, AMD EPYC, o los procesadores personalizados de Google Titanium), memoria RAM (desde 0.6 GB hasta 12 TB), discos persistentes (SSD o HDD) y GPUs (NVIDIA Tesla T4, V100, A100, H100, as´ ı como TPU v4). Los usuarios pueden elegir instancias est´ andar (predefinidas), de alta memoria, de alta CPU, o instancias personalizadas. Las instancias preemptivas (con duraci´ on m´ axima de 24 horas) ofrecen descuentos de hasta el 80 %, pero pueden ser interrumpidas en cualquier momento, ideales para cargas batch tolerantes a fallos. Desde 2022, las instancias “spot” (evoluci´ on de preemptivas) incluyen notificaci´ on de interrupci´ on con anticipaci´ on de 30 minutos. Abraham Zamudio 81 PIT: Python Basico

Sesion 1 Google Kubernetes Engine (GKE). Es el servicio administrado
de Kubernetes m´ as maduro del mercado, fruto del origen de Kubernetes en Google (proyecto Borg). GKE automatiza el aprovisionamiento del cl´ uster, el escalado autom´ atico de pods (Horizontal Pod Autoscaler), las actualizaciones de versi´ on (con mantenimiento controlado), la recuperaci´ on de fallos y la integraci´ on con servicios de red e IAM. Ofrece dos modos: est´ andar (se paga por los nodos subyacentes) y autopilot (serverless: Google gestiona los nodos y se paga por el consumo real de recursos por pod). Autopilot reduce la sobrecarga operativa pero tiene limitaciones en personalizaci´ on de nodos. Cloud Run (serverless). Permite ejecutar contenedores de forma totalmente administrada, sin necesidad de gestionar cl´ usteres. Acepta cualquier contenedor (desde Docker Hub o Artifact Registry) y escala autom´ aticamente a cero cuando no hay tr´ afico. La facturaci´ on es por solicitud y tiempo de CPU, con milisegundos de resoluci´ on. Cloud Run es ideal para aplicaciones web, APIs y procesamiento de eventos. Soporta hasta 32 GB de memoria y 8 vCPU por instancia. La integraci´ on con Cloud Pub/Sub y Cloud Scheduler permite flujos de trabajo as´ ıncronos. Almacenamiento y bases de datos Cloud Storage. Almacenamiento de objetos (blobs) con clases: Standard (acceso frecuente), Nearline (acceso mensual), Coldline (acceso trimestral) y Archive (acceso anual). Los precios por GB/mes van desde 0.02 d´ olares (Standard) hasta 0.0012 d´ olares (Archive), con cargos adicionales por operaciones y salida de datos (egress). Cloud Storage es compatible con la API S3 (interoperabilidad) y permite versionado de objetos, pol´ ıticas de ciclo de vida (por ejemplo, mover objetos a clases m´ as fr´ ıas despu´ es de 30 d´ ıas) y cifrado del lado del servidor con claves gestionadas por Google o por el cliente. Cloud SQL y Cloud Spanner. Cloud SQL ofrece bases de datos relacionales administradas (MySQL, PostgreSQL, SQL Server) con r´ eplicas de lectura, copias de seguridad autom´ aticas y alta disponibilidad (failover autom´ atico). Para escalado horizontal masivo y consistencia global, Google desarroll´ o Spanner, una base de datos relacional distribuida que combiene las propiedades ACID con escalabilidad horizontal y replicaci´ on s´ ıncrona entre regiones. Spanner utiliza el protocolo TrueTime (basado en relojes at´ omicos y GPS) para ordenar transacciones globalmente sin bloqueos costosos. Es utilizado internamente por Gmail, Google Ads y YouTube. Para cargas NoSQL, Cloud Firestore (documentos) y Cloud Bigtable (columnas anchas, bajas latencias) est´ an disponibles. Big Data: BigQuery y Dataflow BigQuery es el servicio estrella de GCP (ver siguiente subsecci´ on 7.4). Dataflow es el servicio de procesamiento de flujos y lotes basado en Apache Beam; permite ETL, an´ alisis en tiempo real y transformaciones complejas con ventanas y estado. La integraci´ on con Cloud Pub/Sub (mensajer´ ıa) permite ingerir eventos de millones de dispositivos y procesarlos con latencia de segundos. Abraham Zamudio 82 PIT: Python Basico

Sesion 1 Modelos de precios y competencia GCP utiliza un
modelo de pago por uso (pay-as-you-go) con descuentos por uso continuo (committed use discounts) de hasta el 57 % para recursos de computaci´ on con compromiso de 1 o 3 a˜ nos. Para cargas variables, las instancias “preemptible” o “spot” ofrecen grandes descuentos. Los costes de salida de datos (data transfer) entre regiones son elevados (0.12 d´ olares por GB dentro de la misma regi´ on pero entre zonas; m´ as caro entre regiones). AWS y Azure suelen tener descuentos de salida similares. La competencia ha llevado a Google a ofrecer una “ventanilla ´ unica” (Google Cloud Console) y una capa gratuita (siempre gratuita) con 5 GB de almacenamiento, 1 GB de red, y 3 instancias f1-micro por mes. El marketplace de GCP permite desplegar software de terceros (WordPress, MongoDB, etc.) con facturaci´ on integrada. A pesar de los avances, GCP sigue siendo percibido como m´ as adecuado para empresas nativas de datos y anal´ ıticas que para empresas tradicionales con cargas Windows o SAP (dondomina Azure). La ventaja diferenciadora es la integraci´ on con los servicios de inteligencia artificial y an´ alisis de Google, como se detalla a continuaci´ on. 7.4. Big Data y an´ alisis de informaci´ on El manejo de vol´ umenes masivos de datos (big data) ha sido una competencia central de Google desde sus inicios, cuando desarroll´ o tecnolog´ ıas como MapReduce, Bigtable y Spanner para indexar la web y gestionar servicios como Gmail. Estas innovaciones se comercializan hoy en GCP bajo el paraguas de an´ alisis de datos, permitiendo a organizaciones de cualquier tama˜ no procesar petabytes de informaci´ on con latencias de milisegundos a segundos. Esta subsecci´ on cubre las arquitecturas, los servicios clave (BigQuery, Dataflow, Pub/Sub, Dataproc) y las mejores pr´ acticas para el an´ alisis a escala. Or´ ıgenes: MapReduce, Bigtable y el File System de Google En 2004, Google public´ o un art´ ıculo fundacional sobre MapReduce, un modelo de programaci´ on para procesar grandes conjuntos de datos en paralelo en cientos de nodos. La fase Map filtra y transforma pares clave/valor, y la fase Reduce agrupa y agrega los resultados. Este modelo impuls´ o el desarrollo de Hadoop en c´ odigo abierto. Sin embargo, las necesidades de Google evolucionaron hacia datos estructurados y baja latencia, lo que llev´ o a Bigtable (2006), una base de datos NoSQL distribuida que combina un almac´ en de columnas, versionado por tiempo y consistencia eventual configurable. Bigtable es la base de datos de Google Search, Maps, YouTube y Gmail. Tambi´ en se public´ o Spanner (2012), la primera base de datos relacional globalmente distribuida con consistencia externa (consistencia serializable). Todas estas innovaciones sentaron las bases de los servicios de Big Data de GCP. BigQuery: almac´ en de datos serverless BigQuery es un data warehouse anal´ ıtico (OLAP) que separa el almacenamiento de la computaci´ on mediante una arquitectura de columnas y ´ arbol de ejecuci´ on distribuida. Los datos se almacenan en formato Capacitor (propietario, columnar y altamente comprimido) en Colossus (sistema de archivos de Google). Los usuarios ejecutan consultas SQL est´ andar (ANSI 2011) sobre tablas que pueden tener petabytes de tama˜ no. BigQuery autom´ aticamente Abraham Zamudio 83 PIT: Python Basico

Sesion 1 particiona y agrupa (clustering) las tablas seg´ un
las claves especificadas para acelerar las consultas. Motor de ejecuci´ on. Cuando se env´ ıa una consulta, BigQuery la parsea, optimiza y genera un plan de ejecuci´ on que se divide en miles de stages paralelos. Cada stage se ejecuta en una m´ aquina de c´ omputo (slot). Los slots se asignan din´ amicamente seg´ un la demanda. El usuario paga por la cantidad de datos procesados (5 d´ olares por TB) o compra una reserva de slots fijos (flat rate, desde 2.000 d´ olares por mes para 100 slots). Para cargas de trabajo de streaming, BigQuery puede ingerir millones de filas por segundo (v´ ıa API de Storage Write). Integraciones y federaci´ on. BigQuery puede consultar datos almacenados fuera de sus tablas: en Cloud Storage (CSV, JSON, Avro, Parquet), en Cloud Bigtable, en Spanner, en Google Drive (Sheets), e incluso en fuentes externas como AWS S3 o Azure Blob (a trav´ es de federaci´ on). Las tablas externas no requieren copiar los datos. Adem´ as, BigQuery ML permite entrenar modelos de machine learning (regresi´ on log´ ıstica, XGBoost, redes neuronales profundas) directamente con SQL, sin mover datos. Esta capacidad democratiza el ML para analistas de negocio. Procesamiento de flujos: Dataflow y Pub/Sub Para datos en movimiento (eventos, sensores, logs), Google ofrece Cloud Pub/Sub (mensajer´ ıa as´ ıncrona con garant´ ıa de entrega al menos una vez, ordenamiento opcional y retenci´ on de mensajes por hasta 7 d´ ıas) y Cloud Dataflow (ejecuci´ on de pipelines de Apache Beam). Dataflow maneja ventanas deslizantes, sesiones, procesamiento de eventos tard´ ıos, estado y contadores. Ofrece escalado autom´ atico (auto-scaling) de trabajadores y exactamente una sem´ antica (exactly-once) mediante checkpointing. Es com´ un utilizar Dataflow para: limpieza de datos en tiempo real (filtrado, enriquecimiento), agregaciones (contadores en ventanas de 5 minutos), uni´ on de flujos (stream-stream joins) y escritura de resultados a BigQuery, Bigtable o Pub/Sub. Dataproc y ecosistema Hadoop Para clientes que desean usar ecosistema Hadoop (Spark, Hive, Pig, HBase, etc.) sin gestionar cl´ usteres, Dataproc ofrece cl´ usteres ef´ ımeros o persistentes con inicializaci´ on en segundos. Dataproc se integra con Cloud Storage (en lugar de HDFS) para datos persistentes, lo que reduce costes. Los trabajos se pagan por recurso de c´ omputo (precio de la VM) y el servicio Dataproc es gratuito. La versi´ on serverless (Dataproc Serverless) ejecuta trabajos Spark sin aprovisionar cl´ usteres. Casos de uso empresarial y ejemplos Empresas como Twitter utilizan Dataflow para analizar patrones de tweets y detectar abuso; Spotify usa BigQuery para recomendar canciones bas´ andose en h´ abitos de escucha de miles de millones de usuarios; The Home Depot procesa datos de puntos de venta de m´ as de 2000 tiendas en BigQuery. El motor de recomendaciones de productos utiliza modelos de Abraham Zamudio 84 PIT: Python Basico

Sesion 1 ML entrenados con BigQuery ML. En el sector
financiero, PayPal analiza transacciones fraudulentas con Pub/Sub y Dataflow, con latencias inferiores a 500 ms. Desaf´ ıos: gobernanza, seguridad y costes A medida que los datos crecen, los costes de BigQuery pueden dispararse si las consultas no est´ an optimizadas. Google recomienda usar particionado, clustering, desnormalizaci´ on y evitar SELECT * sobre tablas masivas. Las pol´ ıticas de control de acceso a nivel de columna (column-level security) y enmascaramiento din´ amico (dynamic data masking) protegen datos sensibles. Adem´ as, BigQuery Omni permite ejecutar consultas sobre datos en AWS y Azure, evitando el bloqueo de proveedor. 7.5. Automatizaci´ on y aprendizaje autom´ atico La automatizaci´ on de procesos mediante aprendizaje autom´ atico (ML) es uno de los pilares estrat´ egicos de Alphabet. Google ha desarrollado un conjunto completo de herramientas que van desde la automatizaci´ on del entrenamiento de modelos (AutoML) hasta el despliegue y monitoreo continuos (MLOps). Esta subsecci´ on cubre el ecosistema de ML de Google: Vertex AI, TensorFlow Extended (TFX), Kubeflow, y las pr´ acticas de automatizaci´ on del ciclo de vida del ML. El desaf´ ıo del ciclo de vida del ML A diferencia del software tradicional, las aplicaciones de ML dependen de datos que cambian con el tiempo, lo que introduce deriva de concepto (concept drift) y deriva de datos (data drift). El ciclo de vida incluye: ingesta y validaci´ on de datos, etiquetado (opcional), entrenamiento, evaluaci´ on, despliegue, monitoreo, retroalimentaci´ on y reentrenamiento. Google ha desarrollado herramientas para automatizar cada fase, reduciendo la necesidad de equipos especializados. Vertex AI: plataforma unificada Vertex AI es el servicio gestionado de Google para todo el ciclo de vida del ML. Re´ une en una consola los siguientes componentes: Dataset management: Permite importar datos desde BigQuery, Cloud Storage, o subir archivos locales. Soporta im´ agenes, texto, tabulares, v´ ıdeo. El servicio de etiquetado humano (Human-in-the-loop) asistido por IA acelera la creaci´ on de conjuntos de entrenamiento. AutoML: Para usuarios no expertos, AutoML entrena modelos de alta calidad mediante b´ usqueda de arquitectura neuronal (NAS) y transfer learning. Soporta clasificaci´ on de im´ agenes, detecci´ on de objetos, procesamiento de lenguaje natural (clasificaci´ on de texto, an´ alisis de sentimiento), y tablas (regresi´ on, clasificaci´ on, pron´ ostico). AutoML devuelve un modelo que puede exportarse a un contenedor o desplegarse en un endpoint. Entrenamiento personalizado: Los cient´ ıficos de datos pueden usar sus propios frameworks (TensorFlow, PyTorch, scikit-learn, XGBoost) y c´ odigo, ejecut´ andose en Abraham Zamudio 85 PIT: Python Basico

Sesion 1 m´ aquinas con GPUs o TPU. El servicio
gestiona la infraestructura, guarda los artefactos en Cloud Storage y registra las m´ etricas (p´ erdida, exactitud, AUC). Ajuste de hiperpar´ ametros (Hyperparameter Tuning): Realiza b´ usqueda baye- siana o en rejilla para optimizar los hiperpar´ ametros (tasa de aprendizaje, tama˜ no de lote, n´ umero de capas). Los experimentos se ejecutan en paralelo en m´ ultiples r´ eplicas, y el mejor resultado se selecciona autom´ aticamente. Pipelines (Vertex Pipelines): Orquestaci´ on de pasos de ML como c´ odigo (Python SDK), ejecut´ andose en KFP (Kubeflow Pipelines) o TFX. Los pipelines son reproduci- bles, versionados y pueden ejecutarse seg´ un un horario (por ejemplo, reentrenamiento semanal). Despliegue y explicabilidad: Los modelos desplegados en endpoints (con escalado autom´ atico) pueden monitorearse en cuanto a latencia, throughput y deriva de datos. Vertex Explainable AI genera atribuciones de caracter´ ısticas (m´ etodos integrados gra- dientes, SHAP) para explicar predicciones individuales, lo que ayuda a cumplir con normativas de transparencia. Feature Store: Repositorio centralizado de caracter´ ısticas compartidas entre modelos, con versionado, monitoreo de integridad y baja latencia (apoyado en Bigtable). TensorFlow Extended (TFX) TFX es una plataforma de producci´ on de ML creada por Google para implementar pipelines robustos. Basado en TensorFlow, TFX incluye componentes estandarizados: ExampleGen (ingesta), StatisticsGen (an´ alisis estad´ ıstico de datos), SchemaGen (inferencia de esquema), ExampleValidator (detecci´ on de anomal´ ıas, valores faltantes), Transform (preprocesamiento a gran escala), Trainer (entrenamiento con TF), Evaluator (comparaci´ on de modelos con umbrales de m´ etricas), Pusher (despliegue). Los pipelines TFX se ejecutan en Apache Beam y pueden orquestarse en Vertex Pipelines o en Airflow. Grandes empresas como Uber y Twitter utilizan TFX para automatizar el reentrenamiento diario de cientos de modelos. Kubeflow para ML en Kubernetes Kubeflow es un proyecto de c´ odigo abierto (donado por Google) que facilita el despliegue de flujos de trabajo de ML sobre Kubernetes. Incluye operadores para entrenamiento distribuido (TFJob, PyTorchJob), herramientas para Jupyter notebooks, controladores de pipelines y servidores de modelos (Seldon, KFServing, ahora KServe). Kubeflow es la opci´ on preferida por organizaciones que desean ejecutar ML on-premises o en m´ ultiples nubes. Automatizaci´ on de la gesti´ on de datos: Data Prep y Data Validation Para automatizar la limpieza de datos, Google ofrece Dataflow (mencionado anteriormente) con plantillas preconstruidas (por ejemplo, convertir CSV a Parquet, enmascarar columnas PII). Adem´ as, Cloud Dataprep (basado en Trifacta) permite interactivamente “wrangling” de datos y generar c´ odigo de limpieza ejecutable. La validaci´ on de datos de entrada se puede realizar con TensorFlow Data Validation (TFDV) integrado en TFX. Abraham Zamudio 86 PIT: Python Basico

Sesion 1 MLOps: buenas pr´ acticas y casos reales Las
organizaciones l´ ıderes implementan MLOps (Machine Learning Operations) con los siguientes principios: (i) pipeline CI/CD para modelos (CT: continuous training; CD: continuous delivery); (ii) versionado de datos y modelos (con DVC o Vertex Model Registry); (iii) monitoreo de deriva (drift detection) con estad´ ısticas de entrada y salida; (iv) pruebas A/B de modelos en producci´ on (canary deployment); (v) registro de metadatos (ML Metadata, MLMD) para trazabilidad. Google ofrece Vertex ML Metadata como servicio, que registra cada ejecuci´ on, artefacto y par´ ametro, facilitando la auditor´ ıa. Impacto en la automatizaci´ on empresarial Empresas de todos los sectores utilizan Vertex AI y AutoML para automatizar procesos: una compa˜ n´ ıa de seguros usa clasificaci´ on de im´ agenes para evaluar da˜ nos en autom´ oviles; un banco utiliza predicci´ on de series temporales para detectar fraudes; un fabricante emplea mantenimiento predictivo con sensores IoT. La capacidad de automatizar la selecci´ on de modelos y el ajuste de hiperpar´ ametros libera a los cient´ ıficos de datos para tareas de mayor valor (ingenier´ ıa de caracter´ ısticas, interpretabilidad). Google reporta que, usando AutoML, los equipos pueden reducir el tiempo de desarrollo de meses a d´ ıas, y con Vertex Pipelines se alcanza una productividad 3 veces mayor en la gesti´ on del ciclo de vida. Limitaciones y desaf´ ıos A pesar de los avances, la automatizaci´ on total del ML sigue siendo un objetivo elusivo. Los modelos AutoML a´ un requieren datos limpios y representativos; si los datos contienen sesgos hist´ oricos, AutoML los perpetuar´ a. La interpretabilidad de modelos complejos (redes profundas) sigue siendo baja, incluso con t´ ecnicas de explicabilidad. Los costes de entrenamiento (especialmente con TPU) pueden ser prohibitivos para peque˜ nas empresas. Adem´ as, el despliegue de modelos en producci´ on con baja latencia (menos de 10 ms) requiere optimizaciones adicionales (cuantizaci´ on, poda de pesos, destilaci´ on). Google est´ a investigando t´ ecnicas de compresi´ on y hardware especializado (Edge TPU para inferencia en dispositivos perif´ ericos). El futuro apunta a sistemas de ML totalmente aut´ onomos (AutoML 2.0) que puedan limpiar datos, dise˜ nar arquitecturas, entrenar y desplegar sin intervenci´ on humana, as´ ı como modelos que se adapten continuamente a nuevos datos sin reentrenamiento completo (aprendizaje continuo o meta-aprendizaje). Alphabet, a trav´ es de Google DeepMind, est´ a a la vanguardia de estas investigaciones. 8. Impacto Social y Cultural 8.1. Cambios en los h´ abitos de consumo de informaci´ on La irrupci´ on de Google en la vida cotidiana ha modificado profundamente la forma en que las personas acceden, consumen y procesan informaci´ on. Antes de la era de los motores de b´ usqueda, el flujo informativo estaba mediado por instituciones jer´ arquicas: peri´ odicos con l´ ıneas editoriales definidas, cadenas de televisi´ on con parrillas horarias, bibliotecas con procesos de selecci´ on y enciclopedias con ciclos de actualizaci´ on plurianuales. Google, al proporcionar Abraham Zamudio 87 PIT: Python Basico

Sesion 1 acceso instant´ aneo y personalizado a miles de
millones de documentos, ha transferido el control del filtrado y la priorizaci´ on del conocimiento desde los editores tradicionales hacia los algoritmos y, en ´ ultima instancia, hacia los propios usuarios. Esta subsecci´ on analiza las transformaciones en los h´ abitos de consumo de informaci´ on, incluyendo la fragmentaci´ on de la atenci´ on, la prevalencia de las burbujas de filtro, el auge del periodismo de b´ usqueda, la sobrecarga informativa y los cambios en la lectura cr´ ıtica. De la escasez a la abundancia: la paradoja de la sobrecarga Durante siglos, el principal problema de los consumidores de informaci´ on fue la escasez: pocos libros, pocas fuentes de noticias, pocas voces. Google elimin´ o esa escasez para siempre. En 2023, el ´ ındice de b´ usqueda de Google conten´ ıa m´ as de 130 mil millones de p´ aginas web (aunque el n´ umero exacto es un secreto comercial), sin contar los v´ ıdeos de YouTube, los documentos de Google Scholar y los libros digitalizados. Para la mayor´ ıa de las consultas, el motor devuelve cientos de miles o millones de resultados. Esta abundancia plantea un nuevo problema: la sobrecarga informativa (information overload). Los usuarios no pueden leer ni una fracci´ on de los resultados, por lo que su atenci´ on se convierte en un recurso escaso. Google responde con algoritmos de ranking que intentan predecir la relevancia y calidad, pero estos algoritmos introducen sus propios sesgos. Los estudios (ej. del Pew Research Center, 2022) indican que el 75 % de los usuarios nunca pasa de la primera p´ agina de resultados, y el 90 % no llega a la tercera p´ agina. Como consecuencia, aparecer en las primeras posiciones se ha convertido en un objetivo comercial (SEO) que moldea el contenido que los productores elaboran, reduciendo la diversidad intr´ ınseca. La personalizaci´ on y las burbujas de filtro Desde sus inicios, Google ha personalizado los resultados de b´ usqueda bas´ andose en el historial de consultas, la ubicaci´ on geogr´ afica, el tipo de dispositivo y, cuando el usuario est´ a autenticado, en su actividad en Gmail, YouTube y otros servicios. Esta personalizaci´ on tiene el beneficio de aumentar la relevancia percibida, pero tambi´ en crea el fen´ omeno de las “burbujas de filtro” (filter bubbles), t´ ermino acu˜ nado por Eli Pariser en 2011. Dentro de una burbuja de filtro, el usuario recibe principalmente informaci´ on que confirma sus creencias previas (sesgo de confirmaci´ on) y rara vez se expone a puntos de vista discrepantes. Por ejemplo, dos personas que buscan “cambio clim´ atico” pueden obtener resultados muy diferentes: una ver´ a art´ ıculos de cient´ ıficos y agencias gubernamentales, otra ver´ a blogs negacionistas o contenido sensacionalista, dependiendo de su historial y ubicaci´ on. Google ha introducido opciones para desactivar la personalizaci´ on (por ejemplo, el modo “inc´ ognito” o la configuraci´ on “No personalizar los resultados”), pero por defecto est´ a activada porque mejora las m´ etricas de engagement. Numerosos experimentos (como el realizado por investigadores de la Universidad de Stanford en 2019) confirman que la personalizaci´ on reduce significativamente la diversidad ideol´ ogica de los resultados para consultas pol´ ıticas controvertidas. Aunque Google argumenta que la personalizaci´ on es leve y que sus algoritmos priorizan la autoridad, la evidencia sugiere que el efecto de burbuja es real, aunque menos pronunciado que en redes sociales como Facebook. Abraham Zamudio 88 PIT: Python Basico

Sesion 1 8.1.1. El periodismo de b´ usqueda y la
reconfiguraci´ on de los medios Los periodistas y los medios de comunicaci´ on han tenido que adaptarse a la realidad de que una fracci´ on creciente de su tr´ afico proviene de Google Search y Google News. Seg´ un el Reuters Institute Digital News Report 2023, el 47 % de los usuarios accede a noticias a trav´ es de buscadores (principalmente Google), superando a las redes sociales (34 %) en varios pa´ ıses. Esto ha llevado a la pr´ actica del “periodismo de b´ usqueda” (search engine journalism), donde los titulares, los res´ umenes y las palabras clave se optimizan para aparecer en los fragmentos destacados (featured snippets) o en el carrusel de noticias. Los medios compiten por posiciones en Google News mediante el uso de datos estructurados (Schema.org), la mejora de la velocidad de carga (Core Web Vitals) y la adaptaci´ on a la indexaci´ on m´ ovil primero. Google ha lanzado iniciativas como “Google News Showcase” (pago a editores por licenciar contenido), que ha sido adoptada por m´ as de 2.000 publicaciones en 20 pa´ ıses. Sin embargo, los editores denuncian que Google captura la mayor parte del valor publicitario (a trav´ es de AdSense y las subastas program´ aticas) mientras que los medios solo reciben migajas, lo que ha llevado a la adopci´ on de leyes de “derechos de autor de enlaces” en Australia y Canad´ a. El impacto en la lectura y la cognici´ on El formato de los resultados de b´ usqueda —fragmentos breves, listas, paneles de conocimiento, y respuestas directas— fomenta un estilo de lectura superficial y fragmentado. Los usuarios realizan escaneos r´ apidos (skimming) en lugar de una lectura profunda y cr´ ıtica. Varios estudios neurocient´ ıficos (como los de Maryanne Wolf en la UCLA) sugieren que la exposici´ on prolongada a la b´ usqueda web modifica los circuitos neuronales implicados en la atenci´ on sostenida y la memoria a largo plazo. El fen´ omeno del “efecto Google” (Google effect) o amnesia digital, documentado por Sparrow et al. (2011), muestra que las personas tienden a olvidar informaci´ on que creen que estar´ a disponible en l´ ınea, y en cambio recuerdan c´ omo llegar a ella (d´ onde buscarla). Esto tiene aspectos positivos (liberar memoria de trabajo para tareas m´ as complejas) y negativos (p´ erdida de conocimiento internalizado y menor capacidad de establecer asociaciones creativas). Adem´ as, la inmediatez de las respuestas (a menudo en menos de 200 ms) desincentiva la reflexi´ on prolongada y la tolerancia a la ambig¨ uedad. Los cr´ ıticos advierten de una “crisis de la atenci´ on” exacerbada por el dise˜ no mismo de los productos de Google. La verificaci´ on de hechos y la lucha contra la desinformaci´ on A medida que Google se convirti´ o en la principal puerta de entrada a la informaci´ on, tambi´ en se convirti´ o en un vector para la desinformaci´ on. Noticias falsas, teor´ ıas de conspiraci´ on y bulos pueden escalar r´ apidamente si aparecen en las primeras posiciones. Google ha implementado m´ ultiples capas de mitigaci´ on: (1) El algoritmo de ranking prioriza fuentes con alta autoridad de dominio (por ejemplo, sitios de noticias establecidos, dominios .gov, .edu) sobre sitios nuevos o sensacionalistas; (2) Los “fact check labels” se muestran en los resultados cuando organizaciones independientes (como Snopes o Politifact) han verificado una afirmaci´ on; (3) Google News clasifica los art´ ıculos por relevancia y autoridad, y permite a los usuarios denunciar contenido falso; (4) En temas sensibles (salud, elecciones, COVID-19), Google muestra paneles informativos de organismos oficiales (OMS, CDC) en la parte superior. A Abraham Zamudio 89 PIT: Python Basico

Sesion 1 pesar de estos esfuerzos, la desinformaci´ on persiste,
especialmente en formatos de v´ ıdeo (YouTube) donde la verificaci´ on automatizada es m´ as dif´ ıcil. La controversia sobre la “censura algor´ ıtmica” tambi´ en ha surgido: algunos acusan a Google de eliminar contenido leg´ ıtimo bajo presiones pol´ ıticas o de grupos de presi´ on. El equilibrio entre combatir la desinformaci´ on y preservar la libertad de expresi´ on sigue siendo un desaf´ ıo sin resolver. 8.2. Transformaci´ on de la cultura digital Google no solo ha cambiado c´ omo accedemos a la informaci´ on, sino que ha moldeado la cultura digital contempor´ anea: el lenguaje, el arte, la m´ usica, el entretenimiento, la producci´ on de conocimiento y las din´ amicas comunitarias. Esta subsecci´ on explora c´ omo los productos de Google (b´ usqueda, YouTube, Maps, Translate, Arts & Culture) han creado nuevas pr´ acticas culturales, han democratizado la creaci´ on de contenido, han influido en la est´ etica y la narrativa, y han contribuido a la globalizaci´ on cultural, pero tambi´ en a la homogeneizaci´ on. El verbo “googlear” y la lexicalizaci´ on de la marca En 2006, el diccionario Merriam-Webster y la Real Academia Espa˜ nola incorporaron el verbo “googlear” (to google) como sin´ onimo de buscar informaci´ on en Internet, independientemente del motor utilizado. Este fen´ omeno de lexicalizaci´ on de una marca (como ocurri´ o con “kleenex” o “frigor´ ıfico”) evidencia el dominio cultural de Google. El verbo se ha integrado en m´ as de 30 idiomas, y su uso es universal entre hablantes digitales. Esto otorga a Google una forma de publicidad gratuita y perpet´ ua su posici´ on mental como el intermediario por defecto del conocimiento. La compa˜ n´ ıa ha aceptado esta evoluci´ on con ambivalencia: por un lado, le gusta la visibilidad; por otro, teme la diluci´ on de la marca (gen´ erico). Ha enviado cartas de cesaci´ on a algunos medios por usar “google” como verbo gen´ erico, pero sin ´ exito. YouTube y la cultura de la creaci´ on amateur YouTube ha democratizado la producci´ on audiovisual de una manera que ninguna televisi´ on o estudio cinematogr´ afico podr´ ıa haber imaginado. Cualquier persona con un smartphone y una conexi´ on a Internet puede subir v´ ıdeos y potencialmente alcanzar audiencias globales. Esto ha dado lugar a g´ eneros culturales completamente nuevos: v´ ıdeos de unboxing, tutoriales de maquillaje (beauty gurus), gameplays, reacciones, vlogs, ASMR, y challenge virales. El formato de v´ ıdeo corto (inicialmente hasta 10 minutos, luego ampliado) ha influido en la capacidad de atenci´ on y en la narrativa fragmentada. El algoritmo de recomendaci´ on de YouTube, basado en redes neuronales profundas, ha sido acusado de crear “c´ amaras de eco” que radicalizan a los usuarios al recomendar contenido cada vez m´ as extremo (por ejemplo, de videos de fitness a contenido de supremac´ ıa). En respuesta, YouTube ha modificado su algoritmo para reducir la recomendaci´ on de contenido que roza la desinformaci´ on o el discurso de odio. No obstante, la plataforma sigue siendo un motor de viralizaci´ on y de formaci´ on de comunidades de intereses espec´ ıficos (fans de K-pop, entusiastas de la tecnolog´ ıa, activistas pol´ ıticos). La cultura de los youtubers ha creado una nueva celebridad: personas que saltan a la fama exclusivamente por su presencia en l´ ınea, a menudo con ingresos millonarios por anuncios y patrocinios. Esta cultura ha influido en la m´ usica (canciones de youtubers que llegan a Abraham Zamudio 90 PIT: Python Basico

Sesion 1 listas de Billboard), la moda (merchandising de canales)
y el lenguaje juvenil (expresiones como “suscr´ ıbete y dale like”). Google Arts & Culture: digitalizaci´ on del patrimonio mundial Iniciado en 2011, Google Arts & Culture es una plataforma que digitaliza obras de arte, objetos hist´ oricos, sitios patrimoniales y experiencias culturales en alta resoluci´ on. Colabora con m´ as de 2.000 museos, archivos e instituciones de 80 pa´ ıses. La plataforma permite explorar pinturas con un nivel de zoom que revela las pinceladas, recorridos virtuales por museos (como el Rijksmuseum o el Museo de Orsay) mediante tecnolog´ ıa Street View, y exposiciones tem´ aticas creadas por curadores. La funci´ on “Art Transfer” utiliza redes neuronales para aplicar estilos art´ ısticos a las fotos de los usuarios. Si bien esta iniciativa ha democratizado el acceso al arte de ´ elite (personas que no pueden viajar a Par´ ıs o Nueva York pueden ver las obras), tambi´ en ha generado cr´ ıticas sobre la apropiaci´ on digital y la p´ erdida de contexto muse´ ıstico original. Adem´ as, la alta resoluci´ on de las im´ agenes (gigap´ ıxeles) permite estudios t´ ecnicos que antes requer´ ıan solicitudes especiales, lo que beneficia a los historiadores del arte. Google Arts & Culture tambi´ en incluye juegos educativos y realidad aumentada para colocar esculturas virtuales en el entorno del usuario. Google Translate y la disoluci´ on de barreras idiom´ aticas Google Translate, lanzado en 2006, ha pasado de ser un traductor estad´ ıstico (basado en corpus paralelos) a un sistema de redes neuronales (GNMT, Google Neural Machine Translation) en 2016, y m´ as recientemente a modelos transformadores masivos (Gemini). Soporta 133 idiomas, incluidos algunos con pocos recursos como el quechua, el am´ arico o el cingal´ es. La traducci´ on autom´ atica ha tenido un profundo impacto cultural: permite que un hispanohablante lea una novela en ruso, que un turista se comunique en Jap´ on, y que estudiantes accedan a art´ ıculos acad´ emicos en idiomas que no dominan. Sin embargo, los errores de traducci´ on pueden ser c´ omicos o graves (por ejemplo, errores m´ edicos o diplom´ aticos). Adem´ as, la hegemon´ ıa del ingl´ es como lengua de entrenamiento (la mayor´ ıa de los corpus paralelos son ingl´ es-X) introduce sesgos: las traducciones desde idiomas de bajos recursos suelen ser de menor calidad. Google Translate tambi´ en ha sido utilizado como herramienta para la preservaci´ on de lenguas amenazadas, al permitir la creaci´ on de contenido digital en esos idiomas. Culturalmente, la traducci´ on autom´ atica tiende a homogeneizar expresiones idiom´ aticas y matices, reduciendo la diversidad ling¨ u´ ıstica en la comunicaci´ on en l´ ınea. No obstante, es incuestionable que ha facilitado un grado de intercambio intercultural sin precedentes. 8.2.1. Google Maps y la redefinici´ on del espacio p´ ublico Google Maps no solo es una herramienta de navegaci´ on, sino un artefacto cultural que ha cambiado la forma en que las personas perciben y se relacionan con el espacio geogr´ afico. La integraci´ on de Street View (lanzado en 2007) permite explorar virtualmente calles de todo el mundo, creando una experiencia de “telepresencia”. Esto ha inspirado proyectos art´ ısticos (fotograf´ ıas de Street View consideradas arte) y activismos (documentaci´ on de violaciones de derechos humanos mediante im´ agenes de sat´ elite). Sin embargo, tambi´ en ha suscitado controversias de privacidad: las c´ amaras de Google han capturado personas en situaciones Abraham Zamudio 91 PIT: Python Basico

Sesion 1 comprometidas, y aunque Google difumina rostros y matr´
ıculas, el proceso no es perfecto. Culturalmente, la dependencia de Maps ha atrofiado la capacidad de orientaci´ on espacial (efecto ya mencionado) y ha modificado la relaci´ on con el territorio: los usuarios conf´ ıan en la voz del GPS en lugar de en se˜ nales f´ ısicas o interacciones sociales. La funci´ on de rese˜ nas y calificaciones de lugares (Google Maps y Google Local Guides) ha creado una econom´ ıa de la reputaci´ on local, donde los negocios pueden prosperar o fracasar seg´ un su puntuaci´ on media. Esto ha dado poder a los consumidores, pero tambi´ en ha generado extorsi´ on por rese˜ nas falsas negativas. 8.2.2. Los Doodles de Google como arte ef´ ımero Desde 1998, Google ha personalizado su logotipo con dibujos animados (doodles) para conme- morar eventos hist´ oricos, nacimientos de artistas, descubrimientos cient´ ıficos o festividades. Los doodles se han convertido en un fen´ omeno cultural global, esperado por los usuarios y difundido en redes sociales. Algunos doodles son interactivos (juegos) o multimedia. El equipo de doodles est´ a formado por ilustradores e ingenieros, y recibe miles de sugerencias al a˜ no. Los doodles reflejan una visi´ on inclusiva y educativa, destacando a figuras menos conocidas (por ejemplo, mujeres cient´ ıficas, activistas ind´ ıgenas). Aunque son una forma de marketing sutil, tambi´ en cumplen una funci´ on de divulgaci´ on cultural. La existencia de archivo de doodles (desde 1999) es una c´ apsula del tiempo de intereses culturales. 8.3. Influencia en redes sociales y medios de comunicaci´ on Aunque Google no es una red social en el sentido tradicional (excepto el fallido Google+, cerrado en 2019), su influencia sobre las redes sociales y los medios de comunicaci´ on es profunda. YouTube es la segunda red social m´ as grande del mundo por usuarios activos (2.500 millones), por detr´ as de Facebook, y supera a Instagram y TikTok en tiempo de visualizaci´ on. Adem´ as, el ecosistema de Google (Gmail, Calendar, Contacts, Photos, Drive) proporciona una capa de infraestructura social que conecta a las personas sin ser expl´ ıcitamente social. Esta subsecci´ on analiza c´ omo Google compite y coopera con las redes sociales, c´ omo afecta al periodismo y a la industria de medios, y las controversias sobre el manejo de la desinformaci´ on y la polarizaci´ on. El fracaso de Google+ y las lecciones aprendidas Google+ fue lanzado en 2011 como un intento de competir con Facebook. La plataforma introdujo innovaciones interesantes como los C´ ırculos (agrupaci´ on de contactos por afinidad), las Hangouts (videoconferencias integradas) y la edici´ on colaborativa de fotos. Sin embargo, el requisito de tener una cuenta de Google para usar otros servicios (Gmail, YouTube) fue percibido como coercitivo, y la interfaz nunca logr´ o la simplicidad de Facebook. Google+ tambi´ en sufri´ o una brecha de seguridad en 2018 que expuso datos de 500.000 usuarios, lo que aceler´ o su cierre. La lecci´ on principal fue que los usuarios no quer´ ıan una red social generalista m´ as, especialmente una impuesta. En lugar de ello, Google ha integrado capacidades sociales de forma m´ as org´ anica en sus productos existentes: los comentarios de YouTube, las rese˜ nas de Maps, los chats de Gmail y la colaboraci´ on en Docs. La estrategia actual es ser una “red social invisible” que potencia las interacciones sin centralizarlas en un muro. Abraham Zamudio 92 PIT: Python Basico

Sesion 1 YouTube como red social dominante YouTube es mucho
m´ as que un repositorio de v´ ıdeos. Tiene todas las caracter´ ısticas de una red social: perfiles de usuario (canales), suscripciones, me gusta, comentarios (con anidamiento y votos), mensajer´ ıa directa (limitada), comunidades (a trav´ es de la pesta˜ na Comunidad), y transmisiones en vivo (Live). El algoritmo de recomendaci´ on de YouTube tiene un poder inmenso para moldear las opiniones y el comportamiento. Investigaciones (por ejemplo, de la Universidad de Harvard, 2020) mostraron que el algoritmo tiende a recomendar v´ ıdeos cada vez m´ as extremos a partir de contenidos moderados, contribuyendo a la radicalizaci´ on pol´ ıtica. En respuesta, YouTube ha modificado el algoritmo para reducir la recomendaci´ on de contenido que roza la desinformaci´ on, y ha introducido etiquetas de verificaci´ on de hechos en colaboraci´ on con terceros. Adem´ as, YouTube ha implementado pol´ ıticas de monetizaci´ on (Programa de Socios) que desincentivan el contenido controvertido al restringir anuncios. Sin embargo, la plataforma sigue siendo un hervidero de teor´ ıas de conspiraci´ on (Tierra plana, negacionismo del Holocausto, QAnon), y su moderaci´ on ha sido criticada tanto por exceso (censurar voces LGBTQ+ en el pasado) como por defecto (permitir discurso de odio en otros idiomas). La influencia de YouTube en la cultura juvenil es enorme: los youtubers tienen m´ as credibilidad que los pol´ ıticos para los adolescentes, y las campa˜ nas de marketing se centran en ellos. Impacto en el periodismo y la industria de medios Google News (lanzado en 2002) agreg´ o titulares de miles de fuentes, inicialmente sin permiso expl´ ıcito, lo que llev´ o a demandas de editores por infracci´ on de derechos de autor. En 2014, Google acord´ o pagar a editores franceses por la reproducci´ on de fragmentos (derechos conexos), y desde entonces ha firmado acuerdos similares en Australia (News Media Bargaining Code) y Canad´ a (Online News Act). El programa Google News Showcase (2020) paga directamente a los editores por el acceso a sus contenidos y permite a los usuarios leer hasta cinco art´ ıculos de pago al mes sin suscripci´ on. No obstante, la dependencia del tr´ afico de Google sigue siendo una espada de doble filo: una actualizaci´ on del algoritmo (por ejemplo, la actualizaci´ on de “utilidad del contenido” de 2022) puede desplomar el tr´ afico de un medio en un 50 % de la noche a la ma˜ nana, lo que puede llevar a despidos y cierres. Los editores peque˜ nos son especialmente vulnerables. Muchos han adoptado estrategias de diversificaci´ on (boletines por correo electr´ onico, podcasts, membres´ ıas) para reducir su dependencia. La batalla por la atenci´ on con Facebook y TikTok Aunque Google (especialmente YouTube) compite por la atenci´ on de los usuarios, no es un rival directo de Facebook en el ´ ambito social. Sin embargo, Google ha respondido al auge de TikTok con la introducci´ on de YouTube Shorts (v´ ıdeos verticales de menos de 60 segundos), que en 2023 alcanz´ o los 50 mil millones de visualizaciones diarias. Shorts se integra en la aplicaci´ on principal de YouTube y utiliza el algoritmo de recomendaci´ on existente. Google tambi´ en ha experimentado con formatos ef´ ımeros (estilo Stories) en Maps y en la B´ usqueda, pero con menos ´ exito. La fragmentaci´ on de la atenci´ on entre plataformas obliga a Google a innovar constantemente en formatos y personalizaci´ on. La guerra por el tiempo de pantalla es uno de los motores de la evoluci´ on de los productos. Abraham Zamudio 93 PIT: Python Basico

Sesion 1 Desinformaci´ on, moderaci´ on de contenido y dilemas
´ eticos La escala de Google (miles de millones de b´ usquedas, 500 horas de v´ ıdeo subidas por minuto) hace imposible la moderaci´ on humana exhaustiva. Google utiliza inteligencia artificial para detectar discurso de odio, spam, desinformaci´ on y material de abuso sexual infantil (CSAM). En 2022, Google elimin´ o m´ as de 1.5 millones de v´ ıdeos de YouTube por violaci´ on de pol´ ıticas, la mayor´ ıa detectados por algoritmos. Sin embargo, los falsos positivos (contenido leg´ ıtimo eliminado) y los falsos negativos (contenido da˜ nino que pasa) son inevitables. Los equipos de moderaci´ on humana, repartidos por todo el mundo (con frecuencia subcontratados a empresas en Filipinas, Kenia, India), sufren condiciones laborales duras y trauma psicol´ ogico por la exposici´ on a material violento. Las decisiones de moderaci´ on de Google tienen consecuencias pol´ ıticas: por ejemplo, durante las elecciones en Brasil (2022), Google restringi´ o la promoci´ on de contenidos que cuestionaban la integridad del sistema electoral, lo que fue criticado como censura por algunos sectores y como necesaria por otros. La ausencia de un tribunal de apelaciones independiente para las decisiones de moderaci´ on es una preocupaci´ on recurrente. 8.4. Google y la globalizaci´ on tecnol´ ogica Google ha sido un poderoso agente de globalizaci´ on tecnol´ ogica, extendiendo su infraestructura, servicios y valores a pr´ acticamente todos los pa´ ıses (excepto aquellos que los bloquean, como China, Ir´ an y Corea del Norte). Esta subsecci´ on analiza c´ omo Google ha contribuido a la interconexi´ on mundial, pero tambi´ en a la dependencia tecnol´ ogica y a la homogeneizaci´ on cultural, as´ ı como los conflictos geopol´ ıticos que ha generado. Infraestructura f´ ısica: cables submarinos y centros de datos Para ofrecer servicios r´ apidos y fiables a nivel global, Google ha invertido miles de millones de d´ olares en infraestructura de red. Es propietaria o copropietaria de m´ as de 20 cables submarinos de fibra ´ optica, incluidos Curie (que conecta Chile con Los ´ Angeles), Dunant (EE.UU. - Francia), Grace Hopper (EE.UU. - Reino Unido - Espa˜ na) y Firmina (EE.UU. - Argentina - Brasil). Google tambi´ en ha construido centros de datos en regiones clave (norte de Chile, Finlandia, Singapur, Taiw´ an). Esta infraestructura reduce la dependencia de terceros proveedores y da a Google un control estrat´ egico sobre el flujo de datos. Para los pa´ ıses anfitriones, los centros de datos crean empleos locales y atraen inversiones, pero tambi´ en consumen enormes cantidades de energ´ ıa y agua (por ejemplo, el centro de datos de Dalles, Oreg´ on, usa 1.5 millones de litros de agua al d´ ıa). Google ha implementado pol´ ıticas de sostenibilidad (recuperaci´ on de calor, uso de agua no potable) para mitigar el impacto. Localizaci´ on y adaptaci´ on cultural A pesar de su origen estadounidense, Google adapta sus productos a mercados locales mediante la localizaci´ on ling¨ u´ ıstica, la oferta de monedas y m´ etodos de pago locales, y la personalizaci´ on de resultados seg´ un normativas nacionales (por ejemplo, el derecho al olvido en la UE). En pa´ ıses como India, Google ha desarrollado productos espec´ ıficos: Android Go (versi´ on ligera para dispositivos de baja gama), Google Pay (basado en UPI, el sistema de pagos indio), y proyectos de conectividad ferroviaria (Google Station). En ´ Africa, Google ha lanzado servicios Abraham Zamudio 94 PIT: Python Basico

Sesion 1 de b´ usqueda offline y YouTube Go (ahora
discontinuado). Esta adaptaci´ on ha facilitado la penetraci´ on de Google en mercados emergentes, pero tambi´ en ha sido criticada como una forma de “colonialismo digital” donde las empresas occidentales imponen sus est´ andares y extraen datos valiosos. Conflictos geopol´ ıticos y bloqueos Google ha sido objeto de tensiones geopol´ ıticas por su papel en la difusi´ on de informaci´ on. En China, Google ces´ o la censura de sus resultados en 2010 y redirigi´ o su tr´ afico a Hong Kong, lo que llev´ o al bloqueo total de todos los servicios de Google en el pa´ ıs (excepto algunos para empresas). Los ciudadanos chinos utilizan alternativas como Baidu, Tencent y Alibaba. En Rusia, tras la invasi´ on de Ucrania en 2022, Google redujo sus operaciones y ces´ o la publicidad, pero mantiene servicios b´ asicos. Ir´ an y Corea del Norte bloquean completamente Google. En Turqu´ ıa, Google ha cumplido con ´ ordenes judiciales para eliminar contenidos considerados ofensivos. La empresa ha establecido pol´ ıticas para responder a solicitudes gubernamentales, publicando informes trimestrales de transparencia. En 2022, Google recibi´ o m´ as de 200.000 solicitudes de eliminaci´ on de contenido de gobiernos de todo el mundo, y accedi´ o al 60 % de ellas. Esta din´ amica sit´ ua a Google en una posici´ on inc´ omoda entre los principios de libertad de expresi´ on y las leyes locales. Homogeneizaci´ on cultural y dominio del ingl´ es A pesar de los esfuerzos de localizaci´ on, la mayor´ ıa de los contenidos indexados por Google est´ an en ingl´ es (aproximadamente el 52 %), seguido de chino, espa˜ nol y ´ arabe. Los algoritmos de ranking favorecen sitios con muchos enlaces externos, lo que beneficia a los medios anglosajones y a las grandes corporaciones globales. Esto puede erosionar las culturas locales y la diversidad ling¨ u´ ıstica. Por ejemplo, un buscador local que priorice contenidos en idioma minoritario tendr´ ıa dificultades para competir con Google. Algunos pa´ ıses (como Alemania y Francia) han impulsado proyectos de b´ usqueda locales (Qwant, Ecosia), pero ninguno ha alcanzado una cuota de mercado significativa. La imposici´ on de est´ andares de datos estructurados (Schema.org) y de formatos de anuncio tambi´ en refleja una estandarizaci´ on global que beneficia a los actores m´ as grandes. Google y los Objetivos de Desarrollo Sostenible Google ha alineado parte de su actividad con los ODS de la ONU, especialmente en educaci´ on (Google Classroom), conectividad (proyecto Loon, cerrado), y lucha contra la desinformaci´ on. Sin embargo, el impacto neto de la globalizaci´ on tecnol´ ogica de Google es complejo: por un lado, conecta a comunidades remotas, facilita el teletrabajo y el comercio internacional; por otro, profundiza la dependencia tecnol´ ogica de los pa´ ıses en desarrollo y concentra el poder en Silicon Valley. 8.5. Inclusi´ on digital y acceso tecnol´ ogico Uno de los pilares de la misi´ on de Google es “hacer la informaci´ on universalmente accesible”. Sin embargo, la accesibilidad real choca con la brecha digital: falta de infraestructura, dispositivos Abraham Zamudio 95 PIT: Python Basico

Sesion 1 costosos, analfabetismo digital y discapacidades. Esta subsecci´ on
examina las iniciativas de Google para fomentar la inclusi´ on digital, incluyendo programas de alfabetizaci´ on, tecnolog´ ıas para discapacitados (accesibilidad), dispositivos de bajo coste (Chromebooks, Android Go) y proyectos fallidos de conectividad (Loon, Google Station). Tambi´ en se analizan las cr´ ıticas sobre la efectividad y sostenibilidad de estos programas. Android Go y los dispositivos de gama baja Lanzado en 2017, Android Go (edici´ on de Android optimizada para smartphones con 1 GB o menos de RAM) incluye versiones livianas de las aplicaciones de Google (YouTube Go, Maps Go, Gmail Go, Assistant Go) y la Play Store prioriza aplicaciones ligeras. Android Go ha permitido que fabricantes ofrezcan tel´ efonos por menos de 50 d´ olares, especialmente en India, Nigeria y Brasil. En 2022, la cuota de dispositivos Android Go superaba los 200 millones de activaciones. Aunque la experiencia puede ser lenta y con limitaciones (sin descargas en paralelo, restricciones de almacenamiento), ha sido una puerta de entrada a Internet para poblaciones de bajos ingresos. Sin embargo, los cr´ ıticos se˜ nalan que Android Go recopila la misma cantidad de datos que Android completo, lo que puede ser explotador para usuarios vulnerables. Chromebooks en educaci´ on Chromebooks, port´ atiles con Chrome OS (basado en Linux y navegador), son populares en escuelas de EE.UU., Europa y Am´ erica Latina debido a su bajo coste (desde 150 d´ olares), facilidad de administraci´ on (consola de Google), y resistencia (carcasas reforzadas). Durante la pandemia, los Chromebooks se convirtieron en la opci´ on predilecta para el aprendizaje remoto. Google ha donado cientos de miles de Chromebooks a distritos escolares de bajos ingresos. Sin embargo, los Chromebooks requieren conexi´ on a Internet para la mayor´ ıa de las funciones (aunque el modo offline limitado existe), y su vida ´ util est´ a limitada a 5-6 a˜ nos por el soporte de actualizaciones (Auto Update Policy). La obsolescencia programada genera residuos electr´ onicos, aunque Google ha lanzado programas de reciclaje. Proyectos de conectividad fallidos: Loon y Google Station Project Loon (2013-2021) utilizaba globos estratosf´ ericos (a 20 km de altura) para proveer internet en zonas remotas. Los globos se mov´ ıan con las corrientes de viento y formaban una malla. Se lograron despliegues exitosos en Per´ u (tras un terremoto) y Kenia, pero el modelo de negocio no era sostenible (coste de lanzamiento y mantenimiento alto, competencia con Starlink). Google Station (2016-2020) ofrec´ ıa WiFi gratuito en estaciones de tren, plazas y otros espacios p´ ublicos en India, Indonesia y M´ exico, financiado con publicidad. Se desconect´ o por falta de rentabilidad y por cambios estrat´ egicos. A pesar de estos fracasos, la experiencia de Google en infraestructura fue valiosa para otros proyectos (como la expansi´ on de fibra a trav´ es de Google Fiber, aunque limitada). Abraham Zamudio 96 PIT: Python Basico

Sesion 1 Accesibilidad para personas con discapacidad Google ha integrado
caracter´ ısticas de accesibilidad en sus productos: TalkBack (lector de pantalla para Android, l´ ıder en el mercado), Live Transcribe (transcripci´ on de voz a texto en tiempo real para personas sordas, con soporte de 80 idiomas), Voice Access (control por voz del dispositivo), Lookout (aplicaci´ on que describe el entorno para personas ciegas usando IA), y las gu´ ıas de voz de Google Maps para invidentes. El equipo de investigaci´ on de accesibilidad de Google ha publicado hardware de c´ odigo abierto (como la placa de evaluaci´ on de accesibilidad). Aunque estas herramientas son gratuitas, su adopci´ on depende de la concienciaci´ on y la formaci´ on. En pa´ ıses en desarrollo, la falta de servicios de apoyo (int´ erpretes de lengua de signos) limita su utilidad. Alfabetizaci´ on digital: programas “Grow with Google” y “Internet Saathi” Grow with Google (2017) ofrece formaci´ on gratuita en habilidades digitales, desde b´ usqueda avanzada hasta marketing y desarrollo profesional. La plataforma incluye certificados profesionales (IT Support, Data Analytics, UX Design) que pueden conducir a empleos sin t´ ıtulo universitario. En 2022, m´ as de 8 millones de personas hab´ ıan completado alg´ un curso. Internet Saathi (2015-2022), en asociaci´ on con Tata Trusts, capacit´ o a mujeres rurales en India para que ense˜ naran a otras mujeres el uso de Internet, formando una red de 80.000 “saathis” que llegaron a 30 millones de mujeres. Estos programas han mejorado las competencias digitales, pero la falta de seguimiento posterior y la brecha de idiomas (los cursos suelen estar en ingl´ es o en pocos idiomas) limitan su alcance. La brecha digital persistente y las cr´ ıticas A pesar de las iniciativas, la brecha digital sigue siendo enorme: 2700 millones de personas sin acceso a Internet (UIT, 2023). Muchas de ellas viven en zonas donde no es rentable para Google invertir. Los cr´ ıticos argumentan que los esfuerzos de Google son en realidad estrategias de captaci´ on de futuros usuarios y de recopilaci´ on de datos, m´ as que altruismo. Por ejemplo, la versi´ on “lite” de las apps recopila datos igual que las completas, y los Chromebooks est´ an profundamente integrados con los servicios de Google (Drive, Gmail, Classroom), creando dependencia. Adem´ as, la inclusi´ on digital sin una protecci´ on adecuada de la privacidad puede exponer a los nuevos usuarios a riesgos de estafas, desinformaci´ on y ciberacoso. Google ha incorporado materiales de seguridad digital (“Be Internet Awesome”), pero la implementaci´ on es desigual. En conclusi´ on, la inclusi´ on digital impulsada por Google es un paso necesario pero insuficiente; se requiere infraestructura p´ ublica, pol´ ıticas de alfabetizaci´ on y salvaguardas regulatorias. 9. Problemas y Controversias 9.1. Privacidad y recopilaci´ on de datos El modelo de negocio de Google se basa en la recopilaci´ on masiva de datos de los usuarios para segmentar publicidad de forma precisa. Esta pr´ actica ha generado numerosas controversias regulatorias, demandas judiciales y un creciente escrutinio p´ ublico sobre el respeto a la Abraham Zamudio 97 PIT: Python Basico

Sesion 1 privacidad. En esta subsecci´ on se analizan en
profundidad los mecanismos de recopilaci´ on, los tipos de datos obtenidos, los incidentes de seguridad, las principales sanciones (GDPR, CCPA, multas de la CNIL), las pol´ ıticas de transparencia y las herramientas que Google ofrece a los usuarios para controlar sus datos. Mecanismos de recopilaci´ on de datos Google recopila datos a trav´ es de m´ ultiples puntos de contacto, muchos de los cuales no son evidentes para el usuario medio. Las principales fuentes incluyen: B´ usquedas: cada consulta, clic y reformulaci´ on se almacena junto con la direcci´ on IP, el tipo de dispositivo, el navegador y la ubicaci´ on aproximada. Google retiene estos datos de forma anonimizada (eliminando el identificador directo despu´ es de un per´ ıodo, aunque mediante t´ ecnicas de seudonimizaci´ on). Sin embargo, estudios forenses han demostrado que la reidentificaci´ on es posible combinando varias se˜ nales. Servicios de localizaci´ on: si el usuario tiene activado el historial de ubicaciones (por defecto en muchos dispositivos Android), Google registra su posici´ on GPS cada vez que se abre Google Maps, se realiza una b´ usqueda con contexto geogr´ afico, o simplemente cuando el tel´ efono se conecta a torres de telefon´ ıa. Google ha sido demandado por recopilar ubicaci´ on incluso cuando los usuarios desactivaban el historial (caso de Associated Press, 2018). La empresa modific´ o sus pol´ ıticas para aclarar que otra configuraci´ on (“Actividad web y de aplicaciones”) tambi´ en almacena ubicaciones. Gmail: hasta 2017, Google escaneaba el contenido de los correos electr´ onicos de usuarios gratuitos para mostrar anuncios contextuales. Tras la presi´ on regulatoria y el lanzamiento de G Suite (ahora Workspace) de pago, se detuvo este escaneo para cuentas gratuitas. Sin embargo, los metadatos (remitente, destinatario, asunto, hora) siguen utiliz´ andose para mejorar la experiencia de b´ usqueda y el filtro de spam. YouTube: visualizaciones, b´ usquedas, clics, likes, comentarios, tiempo de visualizaci´ on, patrones de pausa y abandono. Estos datos alimentan el algoritmo de recomendaci´ on y tambi´ en sirven para segmentar anuncios (por ejemplo, mostrar anuncios de autom´ oviles a usuarios que ven v´ ıdeos de talleres mec´ anicos). Android e Google Play: aplicaciones instaladas, frecuencia de uso, compras dentro de la app, datos de sensores (aceler´ ometro, giroscopio), listas de contactos (si se concede permiso), historial de llamadas y SMS (en versiones antiguas, y con permiso expl´ ıcito). El sistema Android tambi´ en env´ ıa datos de telemetr´ ıa sobre el rendimiento del dispositivo, fallos y uso de energ´ ıa. Google Pay: transacciones financieras, ubicaci´ on de tiendas, historial de compras. Estos datos se utilizan para ofrecer ofertas personalizadas y detecci´ on de fraudes, pero tambi´ en pueden compartirse con anunciantes de forma agregada. Navegaci´ on web mediante cookies de terceros: antes del fin de las cookies de terceros, Google (a trav´ es de DoubleClick) colocaba cookies en los navegadores para rastrear la actividad a trav´ es de sitios web que usaban su red de display o Google Analytics. Aunque estas cookies se eliminar´ an gradualmente en Chrome, Google ha Abraham Zamudio 98 PIT: Python Basico

Sesion 1 propuesto la API Topics (dentro de Privacy Sandbox),
que clasifica los intereses del usuario en temas (aproximadamente 350) y los comparte con sitios web sin revelar URLs espec´ ıficas. Los cr´ ıticos argumentan que Topics sigue permitiendo la vigilancia a nivel de grupo y que Google mantiene el control sobre la clasificaci´ on. Volumen y almacenamiento de datos Seg´ un estimaciones internas (filtradas en demandas judiciales), Google almacena m´ as de 20 exabytes (20 millones de terabytes) de datos de usuario activos, y el ritmo de crecimiento es de varios petabytes diarios. Los datos se distribuyen en centros de datos de alta seguridad, con redundancia geogr´ afica. Google utiliza t´ ecnicas de seudonimizaci´ on: asigna un identificador ´ unico (una cadena aleatoria) a cada usuario, pero puede asociar el identificador con la direcci´ on IP, el identificador de publicidad (AAID en Android, IDFA en iOS antes de la restricci´ on de Apple), y cookies. Para los usuarios autenticados (con cuenta de Google), el identificador est´ a vinculado a la direcci´ on de correo electr´ onico y a toda la actividad a trav´ es de servicios. Incidentes de seguridad y filtraciones A pesar de las inversiones en seguridad, Google ha sufrido varias filtraciones de datos: Google+ (2018): una vulnerabilidad en la API expuso los datos de perfil de 500.000 usuarios (nombre, correo, edad, ocupaci´ on) a desarrolladores externos. Google descubri´ o el fallo en marzo de 2018, pero no lo revel´ o hasta octubre, por temor a da˜ nos reputacionales y a posibles sanciones. El incidente aceler´ o el cierre de Google+. Exposici´ on de contrase˜ nas (2019): Google almacenaba contrase˜ nas de usuarios empresariales (G Suite) en texto plano durante 14 a˜ nos, debido a un error en el sistema de hash. La compa˜ n´ ıa notific´ o a los administradores, pero no hubo evidencia de acceso no autorizado. Filtraci´ on de datos de Google Maps (2021): un investigador de seguridad encontr´ o que las fotos de Street View conten´ ıan metadatos no difuminados de matr´ ıculas y caras en algunos casos, debido a un error en el algoritmo de difuminado. Google corrigi´ o el error y elimin´ o las im´ agenes afectadas. Acceso no autorizado a cuentas de Gmail (2022): una campa˜ na de phishing sofisticada logr´ o robar tokens de autenticaci´ on OAuth de 5.000 cuentas, principalmente de periodistas y activistas. Google respondi´ o revocando los tokens y mejorando la detecci´ on. Sanciones regulatorias y demandas Google ha sido multada con miles de millones de euros por violaciones de privacidad, principalmente en Europa bajo el Reglamento General de Protecci´ on de Datos (GDPR) y en Estados Unidos bajo la Ley de Privacidad del Consumidor de California (CCPA). Entre las sanciones m´ as relevantes: Abraham Zamudio 99 PIT: Python Basico

Sesion 1 CNIL (Francia, 2019): multa de 50 millones de
euros por falta de transparencia en la recopilaci´ on de datos y por no obtener consentimiento v´ alido para la personalizaci´ on de anuncios. Google modific´ o el proceso de consentimiento en Europa, introduciendo ventanas de aceptaci´ on/rechazo por finalidad. Comisi´ on de Protecci´ on de Datos de Irlanda (DPC, 2022): multa de 391 millones de euros por el procesamiento ilegal de datos de ubicaci´ on de usuarios de Android. La DPC determin´ o que Google no informaba claramente sobre la activaci´ on del historial de ubicaciones. Multas acumuladas bajo el GDPR: entre 2018 y 2023, Google acumul´ o m´ as de 1.500 millones de euros en multas por diversas infracciones, incluyendo el uso de datos para publicidad sin base legal s´ olida, la retenci´ on de datos m´ as all´ a del tiempo necesario, y la transferencia de datos a Estados Unidos sin salvaguardas adecuadas (invalidaci´ on del Privacy Shield por el caso Schrems II). Demandas colectivas en EE.UU.: destacan Lane v. Google (2012, sobre el escaneo de correos de Gmail), In re Google Location History Litigation (2021, resuelta con un pago de 100 millones de d´ olares a los afectados) y Brown v. Google (2023, sobre el rastreo en modo inc´ ognito). En este ´ ultimo caso, Google lleg´ o a un acuerdo de 5.000 millones de d´ olares, aunque la demanda sigue en curso para determinar si la compa˜ n´ ıa viol´ o las leyes de privacidad al continuar recopilando datos incluso cuando los usuarios cre´ ıan navegar de forma privada. Herramientas de control para los usuarios En respuesta a las presiones, Google ha mejorado sus herramientas de transparencia y control: My Activity (mi actividad): permite ver y eliminar el historial de b´ usquedas, ubicaciones, actividad en YouTube, y comandos de voz. El usuario puede configurar la eliminaci´ on autom´ atica cada 3, 18 o 36 meses. Google Dashboard: muestra un resumen de los datos almacenados en cada servicio (Gmail, Drive, Calendar, Contacts, etc.) y ofrece enlaces a la configuraci´ on de privacidad. Takeout: permite exportar todos los datos de una cuenta en formato est´ andar (JSON, CSV, ZIP) para migrar a otro servicio o para respaldo personal. Control de actividad: desactivar el almacenamiento del historial de b´ usquedas, ubicaci´ on o YouTube de forma granular. Sin embargo, algunos datos b´ asicos (por ejemplo, la direcci´ on IP durante la b´ usqueda) se siguen reteniendo por razones de seguridad durante un per´ ıodo corto. Configuraci´ on de anuncios: los usuarios pueden desactivar la personalizaci´ on de anuncios, aunque seguir´ an viendo anuncios contextuales (basados en el contenido de la p´ agina actual). Tambi´ en pueden ver los intereses que Google les ha asignado y eliminar algunos. Modo inc´ ognito en Chrome: no guarda el historial local ni las cookies, pero las b´ usquedas siguen siendo visibles para el proveedor de Internet y para Google si el Abraham Zamudio 100 PIT: Python Basico

Sesion 1 usuario est´ a autenticado. Google aclara en la
pantalla de inicio de inc´ ognito que “es posible que tu actividad siga siendo visible para los sitios web que visitas, tu empleador o escuela, o tu proveedor de servicios de Internet”. A pesar de estas herramientas, los cr´ ıticos argumentan que el dise˜ no de las interfaces de privacidad es confuso y que las opciones predeterminadas favorecen la recopilaci´ on m´ axima de datos. Por ejemplo, la configuraci´ on “Actividad web y de aplicaciones” est´ a activada por defecto, y muchos usuarios no saben que afecta al almacenamiento de ubicaciones. Adem´ as, el uso de “dark patterns” (patrones oscuros) disuade a los usuarios de cambiar la configuraci´ on. Privacidad diferencial y el futuro de la publicidad sin cookies Ante la creciente regulaci´ on y la eliminaci´ on de cookies de terceros en Chrome (prevista para finales de 2024), Google ha desarrollado el proyecto Privacy Sandbox, que incluye APIs como Topics, Protected Audience y Attribution Reporting. Estas APIs permiten la publicidad personalizada sin rastrear a individuos, sino trabajando con agregados y ruido diferencial (differential privacy). Sin embargo, los reguladores (como la Competition and Markets Authority del Reino Unido) investigan si Privacy Sandbox est´ a dise˜ nado para consolidar a´ un m´ as el poder de Google, al impedir que otros proveedores de tecnolog´ ıa publicitaria accedan a datos equivalentes. La Uni´ on Europea tambi´ en ha manifestado su preocupaci´ on. El ´ exito o fracaso de Privacy Sandbox determinar´ a el futuro de la privacidad en la web. Balance y perspectivas La tensi´ on entre el modelo de negocio de Google (basado en la recopilaci´ on de datos) y el derecho fundamental a la privacidad es inherente y no tiene una soluci´ on sencilla. Si bien Google ha dado pasos hacia la transparencia y el control, muchos expertos consideran que el consentimiento bajo el GDPR sigue siendo insuficiente debido a la asimetr´ ıa de poder: los usuarios necesitan los servicios de Google (b´ usqueda, correo, mapas) y no tienen alternativas viables en muchos casos. La propuesta de una “tasa por datos” (data dividend) o un modelo de suscripci´ on sin publicidad (como Google News Showcase) se explora en algunos mercados, pero no se ha generalizado. El futuro previsible incluye una regulaci´ on m´ as estricta (Digital Markets Act en la UE, American Data Privacy and Protection Act en EE.UU., a´ un no aprobada) y un empoderamiento gradual de los usuarios, aunque la asimetr´ ıa de informaci´ on y poder probablemente persista. 9.2. Monopolio tecnol´ ogico y competencia Alphabet, a trav´ es de Google, domina varios mercados tecnol´ ogicos: b´ usqueda en l´ ınea (m´ as del 90 % de cuota en la mayor´ ıa de pa´ ıses), publicidad digital (alrededor del 27 % del gasto mundial), sistemas operativos m´ oviles (70 % con Android), navegadores (65 % con Chrome), v´ ıdeos en l´ ınea (YouTube es el segundo buscador m´ as grande) y correo electr´ onico (Gmail tiene m´ as de 1.800 millones de usuarios). Este poder de mercado ha suscitado m´ ultiples investigaciones antimonopolio, demandas y multas multimillonarias. Esta subsecci´ on analiza los fundamentos econ´ omicos de las posiciones dominantes de Google, las pr´ acticas anticompetitivas Abraham Zamudio 101 PIT: Python Basico

Sesion 1 documentadas, las sanciones impuestas, las medidas correctivas y
el debate sobre la posible ruptura (breakup) de la empresa. Mercados relevantes y cuotas de mercado La definici´ on de mercado relevante es crucial en derecho de la competencia. Para Google, los principales mercados son: Mercado de b´ usqueda general en l´ ınea: incluye buscadores como Bing, Yahoo! (que usa Bing), Baidu (en China) y Yandex (en Rusia). En la Uni´ on Europea, Google supera el 90 % de cuota; en Estados Unidos, el 88 %; en Am´ erica Latina, m´ as del 95 %. La Comisi´ on Europea consider´ o que la b´ usqueda general es un mercado separado de la b´ usqueda especializada (productos, viajes, etc.), porque los usuarios no se cambian f´ acilmente entre ellos. Mercado de publicidad en b´ usqueda: Google Ads domina con m´ as del 70 % del gasto en b´ usqueda pagada. Microsoft Bing Ads tiene alrededor del 20 % en EE.UU., pero mucho menos en Europa. Mercado de tecnolog´ ıa publicitaria (ad tech): incluye servidores de anuncios para editores (Google Ad Manager), intercambios (AdX), redes de display (Google Display Network), y plataformas de demanda (DV360). Google controla toda la cadena, lo que le permite extraer comisiones elevadas (del 20 al 40 %) y favorecer sus propios intercambios. Mercado de sistemas operativos m´ oviles: Android domina con un 70-75 % de cuota mundial (excluyendo China). La Comisi´ on Europea defini´ o el mercado de sistemas operativos inteligentes (no tontos) y consider´ o que Android tiene posici´ on dominante. Pr´ acticas anticompetitivas y casos emblem´ aticos Google Shopping (Caso AT.39740, 2017). La Comisi´ on Europea mult´ o a Google con 2.400 millones de euros por abuso de posici´ on dominante al favorecer su propio servicio de comparaci´ on de precios (Google Shopping) en los resultados de b´ usqueda, degradando a los competidores (Kelkoo, Foundem, PriceRunner). Google mostraba los listados de Shopping con im´ agenes, precios y rese˜ nas en posiciones destacadas, mientras que los rivales aparec´ ıan como simples enlaces azules en posiciones inferiores. La Comisi´ on determin´ o que esta conducta era discriminatoria y que imped´ ıa la competencia en el mercado de comparadores. Google apel´ o, pero el Tribunal General confirm´ o la multa en 2021 (aunque redujo ligeramente el importe por cuestiones formales). Como remedio, Google permiti´ o que los comparadores rivales pujaran por espacios en la unidad “comparadores de precios” mediante subastas. Sin embargo, los rivales argumentaron que la subasta no restablece la igualdad, porque Google Shopping sigue apareciendo de forma gratuita. Android (Caso AT.40099, 2018). Multa de 4.300 millones de euros. La Comisi´ on encontr´ o que Google impon´ ıa tres tipos de restricciones a los fabricantes de dispositivos Android y a los operadores de telefon´ ıa para reforzar su posici´ on dominante en b´ usqueda: (i) obligaci´ on Abraham Zamudio 102 PIT: Python Basico

Sesion 1 de preinstalar Google Search y Chrome como condici´
on para obtener la licencia de Google Play Store; (ii) pagos a fabricantes y operadores a cambio de preinstalar exclusivamente Google Search; (iii) obstrucci´ on a los fabricantes para desarrollar dispositivos con versiones alternativas (forks) de Android no certificadas por Google. Google modific´ o su pol´ ıtica: ahora los fabricantes pueden preinstalar Google Search y Chrome por separado, y pueden distribuir Android sin los servicios de Google (aunque la experiencia de usuario se resiente). En 2021, Google perdi´ o la apelaci´ on y pag´ o la multa. AdSense (Caso AT.40411, 2019). Multa de 1.500 millones de euros por cl´ ausulas de exclusividad en los contratos de AdSense para editores. Google prohib´ ıa a los editores mostrar anuncios de buscadores competidores en sus p´ aginas de resultados de b´ usqueda. Esta pr´ actica dur´ o de 2006 a 2009 y luego se suaviz´ o, pero la Comisi´ on consider´ o que hab´ ıa sido suficiente para afectar la competencia. Google elimin´ o las cl´ ausulas y pag´ o la multa. Demanda del Departamento de Justicia de EE.UU. (2023). En octubre de 2023, el DOJ present´ o una demanda antimonopolio contra Google centrada en el mercado de tecnolog´ ıa publicitaria. Alega que Google monopoliza los mercados de servidores de anuncios para editores (DFP), intercambios de anuncios (AdX) y plataformas de demanda (DV360), y que ha utilizado su posici´ on para extraer comisiones no competitivas (por ejemplo, imponiendo una comisi´ on del 20 % en AdX a los editores). El DOJ solicita la ruptura estructural (divestiture) de AdX y DFP. El juicio se espera para 2025. Si se ordena la ruptura, ser´ ıa una de las mayores intervenciones antimonopolio desde la divisi´ on de AT&T en 1984. Digital Markets Act (DMA) de la UE. Desde marzo de 2024, Google est´ a designada como “guardi´ an de acceso” (gatekeeper) bajo el DMA, lo que le impone obligaciones adicionales: no puede favorecer sus propios servicios sobre los de terceros en la clasificaci´ on de resultados, debe permitir la interoperabilidad de sus servicios de mensajer´ ıa (Meet, Chat), y debe dar a los usuarios la posibilidad de desinstalar aplicaciones preinstaladas (como Gmail, Maps, YouTube) en dispositivos Android. Google ya ha implementado cambios, como pantallas de elecci´ on de motores de b´ usqueda en Android (en la UE, se muestra una lista de buscadores disponibles, incluyendo Bing, DuckDuckGo, etc.). Defensa de Google y cr´ ıticas a la regulaci´ on Google argumenta que sus servicios son gratuitos para los consumidores y que las supuestas pr´ acticas anticompetitivas son en realidad innovaciones que benefician al usuario. Por ejemplo, la integraci´ on de Google Shopping en los resultados de b´ usqueda ahorra tiempo al usuario al mostrar productos directamente. Sostiene que los competidores fracasan porque no ofrecen la misma calidad, no por la conducta de Google. Adem´ as, alega que las multas de la UE son desproporcionadas y que la definici´ on de mercado es demasiado estrecha (deber´ ıa incluir a Amazon, eBay y otros sitios de comercio electr´ onico). Sin embargo, los tribunales europeos han rechazado estos argumentos en gran medida. Abraham Zamudio 103 PIT: Python Basico

Sesion 1 Impacto en la innovaci´ on y el consumidor
Los economistas discrepan sobre el impacto neto del dominio de Google. Por un lado, la escala ha permitido inversiones masivas en I+D (m´ as de 40 mil millones de d´ olares anuales) que de otro modo no ser´ ıan posibles. Por otro lado, la falta de competencia puede reducir los incentivos para mejorar la privacidad (ya que los usuarios no pueden migrar f´ acilmente) y puede aumentar los precios en el mercado publicitario (aunque el coste por clic ha tendido a bajar con el tiempo debido a la subasta). Los partidarios de la ruptura (como el senador Elizabeth Warren) argumentan que separar Google Search de Google Ads y de Android crear´ ıa m´ as competencia y opciones para los consumidores. Los opositores (incluyendo muchos economistas) sostienen que los mercados de tecnolog´ ıa son din´ amicos y que la posici´ on dominante de Google podr´ ıa erosionarse por la IA generativa (ChatGPT, Bing Chat) y por el crecimiento de Amazon en publicidad. Escenarios futuros El futuro de la regulaci´ on antimonopolio de Google es incierto. En la UE, el DMA ya est´ a en vigor y se esperan nuevas investigaciones sobre el cumplimiento. En EE.UU., el resultado de la demanda del DOJ depender´ a de los tribunales y de posibles cambios en la interpretaci´ on de la ley antimonopolio (la escuela de Chicago, que favorec´ ıa un enfoque laxo, ha perdido influencia frente a la escuela neo-brandeisiana, que aboga por la ruptura de grandes tecnol´ ogicas). Una posible ruptura podr´ ıa desencadenar una reestructuraci´ on masiva de Alphabet, similar a la separaci´ on de Standard Oil en 1911 o AT&T en 1984. Las acciones de Alphabet caer´ ıan en el corto plazo, pero a largo plazo podr´ ıa aumentar la competencia y la innovaci´ on. En cualquier caso, Google seguir´ a siendo un actor dominante durante al menos una d´ ecada debido a sus ventajas de datos y red. 9.3. Manipulaci´ on algor´ ıtmica y sesgos Los algoritmos de Google no son neutrales: est´ an dise˜ nados por humanos, entrenados con datos que reflejan sesgos hist´ oricos y optimizados para m´ etricas (como la tasa de clics o la relevancia percibida) que pueden no alinearse con valores sociales como la equidad, la diversidad o la exactitud factual. Esta subsecci´ on examina los sesgos documentados en los resultados de b´ usqueda, en el ranking de YouTube, en la moderaci´ on autom´ atica de contenidos, y en los sistemas de inteligencia artificial (como el reconocimiento facial de Google Cloud Vision). Tambi´ en se analizan los esfuerzos de Google para mitigar sesgos (equipos de fairness, auditor´ ıas, herramientas como “What-If Tool”) y las limitaciones inherentes. Sesgos en los resultados de b´ usqueda Numerosos estudios acad´ emicos han documentado sesgos en los resultados de b´ usqueda de Google: Sesgo de g´ enero y profesi´ on: buscar “doctor” muestra predominantemente im´ agenes de hombres, mientras que “enfermera” muestra mujeres (estudio de Kay et al., 2015). Aunque Google ha modificado su algoritmo para equilibrar mejor los resultados, persisten Abraham Zamudio 104 PIT: Python Basico

Sesion 1 diferencias porque el sesgo est´ a incrustado en
los datos de la web (m´ as hombres etiquetados como doctores en sitios web). Google introdujo un “recalibrador de g´ enero” en 2020 para ciertas ocupaciones, pero no es perfecto. Sesgo racial: b´ usquedas de nombres t´ ıpicos de minor´ ıas ´ etnicas pueden devolver resultados con un mayor porcentaje de anuncios de verificaci´ on de antecedentes penales (Google Ads) en comparaci´ on con nombres de mayor´ ıa blanca, como document´ o la investigaci´ on de Sweeney (2013). Google deshabilit´ o estos anuncios despu´ es de la publicaci´ on, pero el fen´ omeno ilustra c´ omo los algoritmos pueden amplificar estereotipos. Sesgo pol´ ıtico: la b´ usqueda de “aborto” puede mostrar resultados diferentes seg´ un el pa´ ıs y la personalizaci´ on. En Irlanda, antes del refer´ endum de 2018, Google News mostraba predominantemente sitios anti-aborto debido a la autoridad de dominio de los grupos religiosos. Google implement´ o un “etiquetado de informaci´ on de votaci´ on” para temas sensibles. Sesgo de autocompletado: las predicciones de b´ usqueda de Google han sugerido t´ erminos despectivos para minor´ ıas (por ejemplo, “¿por qu´ e los jud´ ıos son...?”) o completado frases con estereotipos. Google ha creado listas negras de t´ erminos para bloquear sugerencias ofensivas, pero nuevas combinaciones surgen continuamente. Sesgos en YouTube y el problema de la radicalizaci´ on El algoritmo de recomendaci´ on de YouTube se ha se˜ nalado como un vector de radicalizaci´ on. Un estudio de la Universidad de Stanford (2019) mostr´ o que ver v´ ıdeos de contenido modera- damente controvertido (por ejemplo, comentarios pol´ ıticos cr´ ıticos) llevaba a recomendaciones cada vez m´ as extremas, incluyendo teor´ ıas de conspiraci´ on y contenido supremacista. YouTube respondi´ o reduciendo la recomendaci´ on de v´ ıdeos que rozan la desinformaci´ on y cambiando el algoritmo para priorizar la “satisfacci´ on del usuario a largo plazo” (medida por el tiempo de visualizaci´ on y la frecuencia de visitas) sobre el compromiso inmediato. Sin embargo, auditor´ ıas posteriores encontraron que la radicalizaci´ on persiste, especialmente en temas de salud (antivacunas) y pol´ ıtica (electoral). YouTube tambi´ en introdujo paneles de informaci´ on de fact-checking en algunos pa´ ıses, pero su efectividad es limitada porque los usuarios tienden a ignorarlos. Sesgos en la inteligencia artificial de Google Cloud Los modelos preentrenados de Google Cloud Vision, Natural Language y Video Intelligence se entrenaron con conjuntos de datos que contienen sesgos culturales. Por ejemplo: Reconocimiento facial: el modelo de Google mostr´ o menor precisi´ on para personas con tonos de piel oscura y para mujeres, especialmente cuando el g´ enero no es binario. Aunque Google ha mejorado sus datos de entrenamiento (incluyendo m´ as im´ agenes de diversas etnias) y ha lanzado el conjunto de datos “Diversity in Faces”, las disparidades persisten en condiciones de poca luz o con accesorios. An´ alisis de sentimiento: frases como “soy gay” fueron clasificadas con sentimiento negativo en versiones anteriores del modelo, porque el entrenamiento asociaba la palabra Abraham Zamudio 105 PIT: Python Basico

Sesion 1 “gay” con contextos peyorativos en el corpus de
noticias. Google ajust´ o el modelo para reducir este sesgo, pero no lo elimin´ o por completo. Traducci´ on autom´ atica: Google Translate ha mostrado sesgos de g´ enero al traducir idiomas sin g´ enero gramatical (como el turco) a idiomas con g´ enero (como el espa˜ nol). Por ejemplo, “o bir doktor” se traduce como “´ el es m´ edico” y “o bir hem¸ sire” como “ella es enfermera”, reflejando estereotipos. Google introdujo una opci´ on de “traducci´ on con perspectiva de g´ enero” en 2020, pero por defecto sigue eligiendo el g´ enero seg´ un estad´ ısticas. Esfuerzos de Google para mitigar sesgos: Fairness y XAI Google cuenta con equipos dedicados a la equidad de los algoritmos (Responsible AI, PAIR, Ethical AI). Han desarrollado herramientas de c´ odigo abierto como “What-If Tool” (integrable con TensorBoard) que permite a los desarrolladores visualizar el rendimiento de un modelo en diferentes subgrupos (por raza, g´ enero, edad) y detectar disparidades. Tambi´ en han publicado “Model Cards“ (tarjetas de modelo) que documentan el rendimiento esperado y las limitaciones de cada modelo. En 2021, Google lanz´ o “Model Remediation Library“ para aplicar t´ ecnicas de desbias (reequilibrio de pesos, aprendizaje adversario). Sin embargo, estas herramientas no son suficientes porque el sesgo puede estar en los propios objetivos de optimizaci´ on (por ejemplo, maximizar la tasa de clics tiende a favorecer contenido sensacionalista). Controversia sobre la salida de investigadores de ´ etica En 2020, Google despidi´ o a la destacada investigadora de ´ etica de IA, Timnit Gebru, tras un conflicto sobre un art´ ıculo cr´ ıtico con los grandes modelos de lenguaje. Gebru hab´ ıa coautorado un estudio que mostraba los riesgos de los LLM (sesgos, coste ambiental, concentraci´ on de poder). Google solicit´ o la retirada del art´ ıculo o la eliminaci´ on de los nombres de los autores de Google; Gebru se neg´ o y fue despedida. Su salida provoc´ o una protesta de m´ as de 2.000 empleados de Google y la dimisi´ on de otra investigadora, Margaret Mitchell. El incidente da˜ n´ o la reputaci´ on de Google en materia de transparencia y libertad acad´ emica. Posteriormente, Google reorganiz´ o su equipo de IA responsable y prometi´ o mayor independencia, pero los cr´ ıticos se˜ nalan que a´ un existe presi´ on para no publicar hallazgos inc´ omodos. El problema de la opacidad y la imposibilidad de auditor´ ıa externa A diferencia de los modelos de c´ odigo abierto (BERT de Google es abierto, pero los modelos de producci´ on son secretos), los algoritmos de ranking de b´ usqueda y de recomendaci´ on de YouTube son propiedad intelectual protegida. Esto impide que acad´ emicos o reguladores realicen auditor´ ıas completas. Google publica directrices de calidad para evaluadores humanos (Search Quality Raters Guidelines), pero esas directrices son aspiracionales y no reflejan necesariamente el comportamiento real. El proyecto “Ranking Digital Rights” ha pedido una mayor transparencia, pero Google se ha resistido, argumentando que revelar detalles ayudar´ ıa a los spammers y a los manipuladores. El equilibrio entre transparencia y seguridad sigue sin resolverse. Abraham Zamudio 106 PIT: Python Basico

Sesion 1 Consecuencias sociales de los sesgos algor´ ıtmicos Los
sesgos en los algoritmos de Google pueden tener efectos reales en la vida de las personas: un sesgo de b´ usqueda en la visualizaci´ on de nombres para empleos puede afectar la contrataci´ on; un sesgo en la moderaci´ on de contenido puede silenciar voces leg´ ıtimas de minor´ ıas; un sesgo en los sistemas de IA de reconocimiento facial puede llevar a identificaciones err´ oneas y arrestos injustos. La responsabilidad de Google es enorme, y aunque la empresa ha tomado medidas, la escala y la complejidad hacen que sea imposible eliminar por completo los sesgos. El camino a seguir implica no solo mejorar la tecnolog´ ıa, sino tambi´ en establecer marcos legales que exijan auditor´ ıas peri´ odicas y mecanismos de reparaci´ on cuando los algoritmos causen da˜ nos (por ejemplo, el “derecho a una explicaci´ on” del GDPR, que Google implementa mediante la opci´ on “Acerca de este resultado” que muestra por qu´ e se devolvi´ o una p´ agina). 9.4. Dependencia de los servicios digitales La integraci´ on de los servicios de Google en la vida cotidiana ha creado una dependencia profunda, tanto a nivel individual como sist´ emico. Esta subsecci´ on analiza los tipos de dependencia (cognitiva, operacional, econ´ omica), los riesgos de interrupci´ on del servicio, la p´ erdida de autonom´ ıa, los fen´ omenos de abstinencia digital, y las estrategias de mitigaci´ on (uso de alternativas, multi-nube, soberan´ ıa digital). Tambi´ en se aborda el impacto de los cierres de productos de Google (Google Reader, Google+, Stadia, etc.) en los usuarios y las empresas. Dependencia cognitiva y externalizaci´ on de la memoria El “efecto Google” descrito en la subsecci´ on 8.1 se refiere a la tendencia a olvidar informaci´ on que se sabe que est´ a disponible en l´ ınea. Las personas ya no memorizan n´ umeros de tel´ efono, direcciones, fechas hist´ oricas o f´ ormulas matem´ aticas; conf´ ıan en que Google las proporcionar´ a al instante. Esto libera memoria de trabajo, pero tambi´ en puede reducir la capacidad de retenci´ on a largo plazo y el desarrollo de estructuras de conocimiento asociativo. Algunos educadores han notado que los estudiantes dependen tanto de la b´ usqueda que no logran sintetizar informaci´ on o detectar contradicciones sin ayuda externa. Dependencia operacional de empresas y gobiernos Millones de empresas utilizan Google Workspace (Gmail, Drive, Docs) para su operaci´ on diaria. Si los servidores de Google sufren una interrupci´ on (como la ca´ ıda masiva de 2020 que afect´ o a Gmail, YouTube y Drive durante 45 minutos), el trabajo se paraliza. Las interrupciones prolongadas pueden causar p´ erdidas econ´ omicas de millones de d´ olares. Los gobiernos tambi´ en dependen de Google para servicios p´ ublicos (por ejemplo, la ciudad de Los ´ Angeles usa Gmail para correo municipal). Esta dependencia crea un riesgo de concentraci´ on sist´ emica (single point of failure). Algunas organizaciones adoptan una estrategia de “backup” con Microsoft 365 o servidores locales, pero la migraci´ on en caliente es compleja. Abraham Zamudio 107 PIT: Python Basico

Sesion 1 Dependencia de los desarrolladores del ecosistema Google Los
desarrolladores de aplicaciones Android dependen de Google Play Store para la distribuci´ on, de Firebase para las notificaciones push, de Google Maps API para la geolocalizaci´ on, de Google Drive para el almacenamiento, y de Google Ads para la monetizaci´ on. Si Google cambia sus pol´ ıticas (por ejemplo, aumentando las comisiones o restringiendo el acceso a APIs), los desarrolladores no tienen m´ as remedio que acatar o perder funcionalidad. El caso de Fortnite (Epic Games) es ilustrativo: Epic desafi´ o la comisi´ on del 30 % de Google (y Apple) al implementar su propio sistema de pagos. Google elimin´ o Fortnite de Play Store, y Epic perdi´ o acceso a la distribuci´ on en Android (aunque los usuarios pueden descargar la aplicaci´ on desde la web, la fricci´ on reduce la conversi´ on). La dependencia es tal que muchos desarrolladores aceptan las condiciones de Google como un mal necesario. Fen´ omeno de abstinencia digital y ansiedad Estudios psicol´ ogicos han mostrado que la imposibilidad de acceder a los servicios de Google (por fallo t´ ecnico o por p´ erdida de conexi´ on) genera s´ ıntomas de abstinencia: ansiedad, irritabilidad, sensaci´ on de desconexi´ on y, en algunos casos, p´ anico. Un experimento de la Universidad de Maryland (2020) pidi´ o a estudiantes universitarios que permanecieran 24 horas sin Google (ni b´ usqueda, ni Gmail, ni YouTube). La mayor´ ıa inform´ o de una “necesidad compulsiva” de comprobar el correo o realizar b´ usquedas. Este fen´ omeno se asemeja a la adicci´ on comportamental, aunque Google no es una sustancia. La empresa ha incorporado funciones de bienestar digital (Digital Wellbeing) en Android, como temporizadores de aplicaciones, modos de descanso y paneles de uso. Sin embargo, estas herramientas dependen de la autodisciplina del usuario. Cierre de productos de Google: el riesgo de la discontinuidad Google tiene una larga historia de cerrar productos (Killed by Google), lo que genera desconfianza entre los usuarios y las empresas. Ejemplos notables: Google Reader (2013): agregador de RSS muy popular entre periodistas y blogueros. Tras su cierre, muchos migraron a Feedly o The Old Reader, pero la fragmentaci´ on y p´ erdida de funciones fue significativa. Google+ (2019): red social que integraba caracter´ ısticas ´ unicas (c´ ırculos, hangouts). Su cierre forz´ o a los usuarios a descargar sus datos con Takeout y a perder comunidades enteras. Google Stadia (2023): plataforma de juegos en la nube. Los usuarios perdieron el acceso a los juegos comprados (recibieron reembolsos, pero no todos los t´ ıtulos estaban disponibles en otras plataformas). Google Hangouts (2022): reemplazado por Google Chat y Meet. La migraci´ on fue forzosa y muchos usuarios perdieron el historial de conversaciones. Dropcam / Nest Secure (2019): Google discontinu´ o el soporte de los dispositivos de seguridad de Dropcam, dejando inutilizables los equipos adquiridos. Abraham Zamudio 108 PIT: Python Basico

Sesion 1 Para mitigar este riesgo, Google ha prometido mantener
los servicios principales (b´ usqueda, Gmail, Maps, YouTube, Android) de forma indefinida, pero las empresas no pueden estar seguras de los servicios perif´ ericos. La recomendaci´ on para las empresas es evitar la dependencia de servicios no esenciales de Google y tener un plan de contingencia. Estrategias de mitigaci´ on de la dependencia Organizaciones y usuarios avanzados adoptan varias estrategias: Multi-nube y multi-proveedor: utilizar servicios de Google Cloud junto con AWS o Azure para que una interrupci´ on de Google no paralice toda la operaci´ on. Esto requiere orquestaci´ on compleja y costes adicionales. Almacenamiento local y sincronizaci´ on: herramientas como rclone permiten mantener copias de seguridad de Google Drive en servidores locales. La funci´ on de Google Drive “disponible sin conexi´ on” no es un backup completo. Software de c´ odigo abierto y auto-alojamiento: alternativas como Nextcloud (reemplazo de Drive), Matrix (reemplazo de Hangouts), OpenStreetMap (reemplazo de Maps, aunque con menor cobertura), y DuckDuckGo (b´ usqueda, con menor calidad). El auto-alojamiento requiere conocimientos t´ ecnicos y recursos. Soberan´ ıa digital: varios gobiernos (Francia, Alemania, India) est´ an promoviendo infraestructuras digitales locales y servicios alternativos (por ejemplo, Tchap en Francia, un clon de Matrix). Google ha adaptado su oferta ofreciendo centros de datos en estos pa´ ıses (Google Cloud regiones en Francia, Alemania) para cumplir con las leyes de localizaci´ on de datos. El coste psicol´ ogico de la desconexi´ on y el movimiento “low-tech” Un n´ umero creciente de personas y comunidades adoptan estilos de vida de baja tecnolog´ ıa (low-tech) o de desconexi´ on digital peri´ odica (digital detox). Alegan que la dependencia de Google y otras plataformas reduce la calidad de vida, aumenta el estr´ es y erosiona las relaciones cara a cara. Aunque estos movimientos son minoritarios, han influido en el dise˜ no de productos (modo de enfoque, notificaciones por lotes). Google, sin embargo, tiene pocos incentivos para reducir la dependencia, ya que su modelo de negocio se beneficia de la atenci´ on constante. 9.5. Debate ´ etico sobre inteligencia artificial El r´ apido avance de la inteligencia artificial en Google (Gemini, AlphaFold, Waymo, Google Assistant) plantea profundos dilemas ´ eticos que van desde el sesgo y la transparencia hasta el impacto en el empleo, la seguridad, la autonom´ ıa humana y el riesgo existencial. Esta subsecci´ on explora los principios de IA de Google, los casos controvertidos (como el Proyecto Maven, la venta de tecnolog´ ıa de reconocimiento facial a la polic´ ıa, el despido de investigadores cr´ ıticos), las salvaguardas t´ ecnicas (detecci´ on de alucinaciones, pruebas de seguridad) y el debate sobre la inteligencia artificial general (AGI) y su control. Abraham Zamudio 109 PIT: Python Basico

Sesion 1 Los principios de IA de Google (2018) Tras
la presi´ on de empleados y activistas, Google public´ o siete principios para el desarrollo e implementaci´ on de IA: 1. Ser socialmente beneficioso. 2. Evitar crear o reforzar sesgos injustos. 3. Construir y probar la seguridad. 4. Ser responsable ante las personas. 5. Incorporar principios de privacidad. 6. Mantener altos est´ andares de excelencia cient´ ıfica. 7. Estar disponible para usos que respeten estos principios. Adem´ as, Google se comprometi´ o a no desarrollar IA para armas aut´ onomas ni para vigilancia masiva que viole normas internacionales. Sin embargo, los cr´ ıticos se˜ nalan que estos principios son vagos y no vinculantes. Por ejemplo, el proyecto Maven (2017-2018) consist´ ıa en aplicar IA a im´ agenes de drones militares estadounidenses para mejorar la precisi´ on de los ataques. Google particip´ o inicialmente, pero tras una revuelta de empleados (incluyendo dimisiones masivas), la empresa renunci´ o a renovar el contrato. Este caso muestra la tensi´ on entre el deseo de servir a clientes gubernamentales y la ´ etica. Reconocimiento facial y polic´ ıa Google Cloud ha ofrecido servicios de reconocimiento facial (Vision API) a clientes comerciales, pero se ha negado a venderlos a la polic´ ıa para uso general, a diferencia de Amazon (Rekognition) y Microsoft (Face API). En 2020, Google anunci´ o una moratoria de un a˜ no en la venta de tecnolog´ ıa de reconocimiento facial a las fuerzas del orden, y luego la extendi´ o indefinidamente, citando el potencial de abuso y los sesgos raciales. Sin embargo, ONG como la ACLU han documentado que Google sigue proporcionando servicios de an´ alisis de v´ ıdeo a la polic´ ıa a trav´ es de la plataforma “Videointelligence API” sin funciones expl´ ıcitas de reconocimiento facial, pero que podr´ ıan utilizarse para vigilancia. Google responde que sus t´ erminos de servicio proh´ ıben el uso para violar derechos humanos. Seguridad y alineaci´ on de la IA (AI alignment) A medida que Google desarrolla modelos de IA cada vez m´ as potentes (Gemini Ultra, futuros modelos), surge el riesgo de que los sistemas persigan objetivos que no se alinean con los valores humanos (problema de la alineaci´ on). Por ejemplo, un sistema de recomendaci´ on de YouTube optimizado para maximizar el tiempo de visualizaci´ on puede recomendar contenido radicalizante, como se discuti´ o. En el ´ ambito de la IA conversacional, un asistente aut´ onomo podr´ ıa proporcionar consejos peligrosos (por ejemplo, “para curar la depresi´ on, toma esta sobredosis de pastillas”) si no est´ a adecuadamente restringido. Google ha implementado “salvaguardas” (guardrails) como clasificadores de contenido da˜ nino, listas negras de palabras, y modelos de seguridad entrenados para rechazar preguntas peligrosas. Sin embargo, los Abraham Zamudio 110 PIT: Python Basico

Sesion 1 usuarios pueden eludir estas restricciones mediante ingenier´ ıa
de prompts (prompt injection). El debate sobre la alineaci´ on se intensifica con la posibilidad de que la IA supere la inteligencia humana (AGI). Google DeepMind ha creado un equipo de seguridad (“AI Safety”), pero los expertos discrepan sobre si el ritmo de desarrollo es seguro. Alucinaciones y desinformaci´ on generada por IA Los grandes modelos de lenguaje (LLM) como Gemini son propensos a “alucinaciones”: generar afirmaciones falsas con una alta confianza. Esto es problem´ atico si los usuarios conf´ ıan en el modelo para obtener hechos. Por ejemplo, Gemini ha afirmado incorrectamente que ciertas personas est´ an vivas cuando han fallecido, o ha inventado citas y art´ ıculos cient´ ıficos. Google ha a˜ nadido un aviso al inicio de Gemini (antes Bard) de que “Bard puede mostrar informaci´ on inexacta o inapropiada” y ha integrado un bot´ on de “Google it” para verificar las respuestas con el motor de b´ usqueda. A pesar de estos esfuerzos, las alucinaciones persisten, y los cr´ ıticos argumentan que Google deber´ ıa etiquetar las respuestas generadas por IA con mayor claridad para evitar la desinformaci´ on. Impacto en el empleo y la desigualdad La automatizaci´ on impulsada por la IA de Google (por ejemplo, Smart Bidding en publicidad, generaci´ on autom´ atica de subt´ ıtulos en YouTube, asistentes de voz en centros de llamadas) destruye empleos en ciertos sectores. Google ha lanzado programas de recapacitaci´ on (Grow with Google), pero la escala del desplazamiento podr´ ıa ser masiva a medida que la IA generativa reemplace redactores, traductores, dise˜ nadores gr´ aficos y programadores junior. El debate ´ etico se centra en si las empresas como Google tienen la responsabilidad de compensar a los trabajadores desplazados (por ejemplo, mediante un impuesto a la automatizaci´ on) o de financiar un ingreso b´ asico universal. Google se ha mostrado reacia a apoyar estas medidas, aunque ha donado a organizaciones de formaci´ on. Gobernanza y regulaci´ on de la IA Google aboga por una regulaci´ on “basada en el riesgo” de la IA, con diferentes requisitos para aplicaciones de alto riesgo (salud, justicia, transporte) y bajo riesgo (recomendaciones de entretenimiento). Sin embargo, las propuestas de la Comisi´ on Europea (AI Act) y de EE.UU. (AI Bill of Rights) son m´ as estrictas que lo que Google preferir´ ıa, especialmente en cuanto a transparencia de los modelos (revelar datos de entrenamiento) y auditor´ ıas obligatorias. Google ha creado sus propios equipos de auditor´ ıa interna (“Auditor´ ıa de IA”) y publica informes peri´ odicos de responsabilidad, pero estos no son independientes. El papel de Google en la formulaci´ on de pol´ ıticas de IA es controvertido: por un lado, aporta experiencia t´ ecnica; por otro, su influencia puede diluir regulaciones que afectar´ ıan su negocio. El caso de LaMDA y la supuesta conciencia En 2022, el ingeniero de Google Blake Lemoine afirm´ o que el modelo de lenguaje LaMDA (Language Model for Dialogue Applications) era “sintiente” (consciente), bas´ andose en sus interacciones. Google neg´ o la afirmaci´ on y suspendi´ o a Lemoine, quien luego fue despedido. Abraham Zamudio 111 PIT: Python Basico

Sesion 1 El incidente provoc´ o un debate p´ ublico
sobre la conciencia de las IA y la capacidad de los humanos para antropomorfizarlas. La mayor´ ıa de los expertos coinciden en que los LLM no son conscientes, ya que no poseen subjetividad ni experiencia interna; simplemente modelan patrones ling¨ u´ ısticos. Sin embargo, el caso subraya la necesidad de directrices ´ eticas claras sobre c´ omo tratar a las IA que simulan emociones y c´ omo comunicar sus capacidades reales al p´ ublico para evitar enga˜ nos. Hacia una IA responsable: el futuro Google est´ a invirtiendo en investigaci´ on sobre IA explicable (XAI), robustez (adversarial training), y supervisi´ on humana (human-in-the-loop). Tambi´ en ha participado en iniciativas como la Partnership on AI (con Microsoft, Apple, etc.). El futuro de la IA de Alphabet depender´ a de c´ omo equilibre la innovaci´ on con las salvaguardas. El riesgo de que una IA mal alineada cause da˜ nos catastr´ oficos es bajo a corto plazo, pero crece a medida que los sistemas ganan autonom´ ıa. Por ello, muchos investigadores piden una desaceleraci´ on (moratoria) en el desarrollo de IA m´ as potentes que GPT-4/Gemini Ultra hasta que se resuelvan los problemas de seguridad. Google se ha mostrado reacio a aceptar una moratoria, argumentando que la competencia global (China, otras empresas) no se detendr´ ıa. Este dilema del prisionero tecnol´ ogico es uno de los mayores desaf´ ıos ´ eticos de nuestra era. 10. Google y el Futuro de la Sociedad 10.1. Innovaciones emergentes Alphabet, a trav´ es de su laboratorio de lunares X (antes Google X) y sus subsidiarias de largo plazo, est´ a invirtiendo en tecnolog´ ıas que podr´ ıan redefinir la interacci´ on humano-m´ aquina, la salud, la energ´ ıa y la movilidad en las pr´ oximas d´ ecadas. Esta subsecci´ on analiza proyectos como la computaci´ on cu´ antica (Sycamore), la energ´ ıa de fusi´ on (colaboraci´ on con TAE Technologies), la rob´ otica cotidiana (Everyday Robot), los veh´ ıculos aut´ onomos de Waymo, los drones de Wing, la longevidad de Calico, los sensores de salud de Verily y las ambiciones de infraestructura urbana (Sidewalk Labs reducido). Se destaca el estado actual, los desaf´ ıos t´ ecnicos y las proyecciones de adopci´ on. Computaci´ on cu´ antica: Sycamore y m´ as all´ a En 2019, Google anunci´ o la “supremac´ ıa cu´ antica” mediante su procesador Sycamore de 53 qubits, que resolvi´ o en 200 segundos un problema de muestreo de circuitos aleatorios que habr´ ıa llevado 10.000 a˜ nos en la supercomputadora Summit (IBM disput´ o la afirmaci´ on). Desde entonces, Google ha avanzado hacia sistemas con m´ as qubits y menor tasa de error. El laboratorio de IA cu´ antica de Google (en colaboraci´ on con la NASA y la Universidad de California) desarrolla procesadores de 72 qubits (Bristlecone) y proyecta alcanzar 1.000 qubits l´ ogicos (tolerantes a fallos) hacia 2030. Las aplicaciones potenciales incluyen: simulaci´ on de mol´ eculas para el dise˜ no de f´ armacos (acelerando la investigaci´ on de Calico), optimizaci´ on de redes log´ ısticas (para Wing y Waymo), criptoan´ alisis (rompiendo RSA, aunque Google no lo persigue activamente) y machine learning cu´ antico. Sin embargo, persisten desaf´ ıos: la Abraham Zamudio 112 PIT: Python Basico

Sesion 1 decoherencia, el escalado de la correcci´ on de
errores y la refrigeraci´ on a milikelvin. Google ha abierto el acceso a sus procesadores cu´ anticos a trav´ es de la nube (Quantum Computing Service) para investigadores externos. La hoja de ruta incluye la construcci´ on de un centro de datos cu´ antico dedicado en Santa B´ arbara para 2026. Rob´ otica cotidiana: Everyday Robot Project El Everyday Robot Project de X tiene como objetivo desarrollar robots que puedan realizar tareas dom´ esticas y de oficina sin programaci´ on expl´ ıcita, mediante aprendizaje por refuerzo y demostraci´ on. Utilizan una flota de robots m´ oviles con brazos articulados que aprenden a clasificar residuos, limpiar superficies o recoger objetos. A diferencia de los robots industriales (preprogramados), estos robots generalizan a entornos cambiantes. Los avances clave incluyen: la integraci´ on de modelos de lenguaje (LLMs) para interpretar comandos en lenguaje natural (“recoge la botella azul y ponla en el contenedor de reciclaje”), la percepci´ on multimodal (c´ amaras, LiDAR, sensores t´ actiles), y el aprendizaje por refuerzo profundo con simulaciones aceleradas (utilizando TPU). A partir de 2023, Google empez´ o a desplegar una flota de 100 robots en sus oficinas de Mountain View para tareas de limpieza. El costo sigue siendo alto (m´ as de 50.000 d´ olares por unidad), pero se espera que la producci´ on en masa reduzca el precio a 5.000-10.000 d´ olares para 2030. El proyecto compite con Boston Dynamics (ahora de Hyundai) y Amazon Robotics. Energ´ ıa de fusi´ on y sostenibilidad Alphabet ha invertido en TAE Technologies (anteriormente Tri Alpha Energy), una empresa que desarrolla reactores de fusi´ on nuclear mediante el concepto de haz de iones en campo invertido (FRC). Google ha aplicado sus algoritmos de optimizaci´ on de aprendizaje autom´ atico (basados en el algoritmo de Optimizaci´ on de la M´ aquina de V´ ortice) para acelerar los experimentos de confinamiento de plasma. En 2023, TAE anunci´ o su reactor Norman que alcanz´ o temperaturas de 70 millones de grados Celsius y demostr´ o estabilidad durante 30 milisegundos. La meta es lograr un balance energ´ etico positivo (Q¿1) hacia 2030 y una planta comercial hacia 2040. Aunque la fusi´ on sigue siendo una promesa a largo plazo, la apuesta de Google refleja su inter´ es en soluciones de energ´ ıa limpia para alimentar sus centros de datos (que consumen m´ as de 10 teravatios hora al a˜ no). Paralelamente, Google ha firmado acuerdos de compra de energ´ ıa renovable (e´ olica, solar) para alcanzar el objetivo de carbono cero 24/7 en 2030. Waymo: conducci´ on aut´ onoma de nivel 5 Waymo (subsidiaria de Alphabet) es l´ ıder en el desarrollo de veh´ ıculos totalmente aut´ onomos (nivel 5, sin volante ni pedales). Su flota de Jaguar I-PACE y Chrysler Pacifica h´ ıbridos equipa un conjunto de sensores: LiDAR de alta resoluci´ on (360 grados, alcance de 300 metros), c´ amaras de largo alcance, radar y GPS diferencial. El sistema de percepci´ on utiliza redes neuronales profundas (PointNet para nubes de puntos, ResNet para im´ agenes) para detectar peatones, ciclistas, veh´ ıculos y animales. El planificador de trayectorias (planning) se basa en el muestreo de pol´ ıticas y en redes de valor para predecir el comportamiento de otros actores. A finales de 2023, Waymo operaba servicios de robotaxi en Phoenix (zona de 225 Abraham Zamudio 113 PIT: Python Basico

Sesion 1 millas cuadradas), San Francisco (con limitaciones) y Austin.
Ha completado m´ as de 1 mill´ on de viajes sin conductor de seguridad en algunos veh´ ıculos. Los desaf´ ıos incluyen: condiciones clim´ aticas adversas (lluvia intensa, nieve), intersecciones no se˜ nalizadas, y la aceptaci´ on social. Waymo ha reducido costes: su quinta generaci´ on de sensores (Waymo Driver) cuesta un 50 % menos que la anterior, pero sigue siendo superior a 100.000 d´ olares por veh´ ıculo. La rentabilidad comercial se espera hacia 2028-2030. El impacto futuro ser´ ıa la reducci´ on de accidentes (Google afirma que el 94 % de los accidentes se deben a error humano), la optimizaci´ on del tr´ afico y el cambio en la propiedad de veh´ ıculos (servicios de movilidad como servicio, MaaS). Wing: entregas con drones aut´ onomos Wing (otra escisi´ on de X) opera una flota de drones de ala fija y rotativa que pueden transportar paquetes de hasta 1.2 kg a distancias de hasta 10 km. Los drones utilizan un sistema de navegaci´ on visual (sin GPS en ´ areas urbanas estrechas) y un mecanismo de descenso con cable para evitar aterrizajes bruscos. En 2023, Wing super´ o las 500.000 entregas comerciales en Australia (Canberra, Logan), Estados Unidos (Virginia, Texas) y Finlandia (Helsinki). La compa˜ n´ ıa ha recibido la certificaci´ on de aeronavegabilidad de la FAA y de las autoridades australianas para operar m´ as all´ a de la l´ ınea de visi´ on (BVLOS). Los desaf´ ıos son el ruido (aunque los ´ ultimos modelos reducen la emisi´ on a 50 dB a 30 metros), la integraci´ on en el espacio a´ ereo urbano (U-space) y la seguridad contra ataques maliciosos. El costo por entrega se estima en 2-3 d´ olares, lo que podr´ ıa competir con los servicios tradicionales para distancias cortas. Wing planea expandirse a Jap´ on y a otros mercados europeos en 2025. En combinaci´ on con Google Maps, podr´ ıa integrar rutas de entrega en tiempo real. Calico: la lucha contra el envejecimiento Calico (California Life Company) es una subsidiaria de Alphabet dedicada a la investigaci´ on de la longevidad y las enfermedades relacionadas con la edad (c´ ancer, neurodegeneraci´ on, diabetes). A diferencia de la biotecnolog´ ıa tradicional, Calico utiliza la inteligencia artificial para analizar datos ´ omicos (gen´ omica, prote´ omica, metabol´ omica) y descubrir nuevos objetivos farmacol´ ogicos. Ha establecido colaboraciones con AbbVie (para terapias contra el c´ ancer), la Universidad de Stanford y el Broad Institute. En 2022, Calico identific´ o un f´ armaco candidato (ABBV-CLS-7262) que mostr´ o rejuvenecimiento de c´ elulas senescentes en ratones, y ha iniciado ensayos en fase I en humanos. Sin embargo, los horizontes temporales son de 20-30 a˜ nos, y la mayor´ ıa de los proyectos est´ an en fase precl´ ınica. Calico tambi´ en investiga la epigen´ etica del envejecimiento (relojes de metilaci´ on) y la sen´ olisis (eliminaci´ on de c´ elulas zombi). Aunque los avances son prometedores, el ´ exito comercial no est´ a garantizado. El enfoque de Alphabet en la biolog´ ıa refleja su creencia de que la tecnolog´ ıa puede resolver los problemas m´ as fundamentales de la humanidad. Verily: ciencias de la vida y medicina de precisi´ on Verily (anteriormente Google Life Sciences) se centra en dispositivos m´ edicos, plataformas de datos cl´ ınicos y epidemiolog´ ıa digital. Proyectos emblem´ aticos incluyen: (1) lentes de contacto para medir glucosa (abandonado debido a dificultades t´ ecnicas); (2) Study Watch (reloj para Abraham Zamudio 114 PIT: Python Basico

Sesion 1 estudios de investigaci´ on cl´ ınica, con sensores
ECG, frecuencia card´ ıaca y actividad); (3) Baseline Platform (plataforma de recopilaci´ on y an´ alisis de datos de salud a gran escala, utilizada en el estudio de 10.000 participantes sobre la progresi´ on de enfermedades); (4) Verily Vale (sistema de administraci´ on de medicamentos para trastornos por uso de opioides). Durante la pandemia de COVID-19, Verily lanz´ o Project Baseline (pruebas masivas y seguimiento de s´ ıntomas). La compa˜ n´ ıa tambi´ en ha desarrollado algoritmos de IA para la detecci´ on temprana de retinopat´ ıa diab´ etica (aprobado por la FDA en 2021). Aunque Verily no es rentable, Alphabet ha inyectado m´ as de 3 mil millones de d´ olares desde su fundaci´ on. Resumen de la hoja de ruta de Alphabet hacia 2040 La combinaci´ on de estas innovaciones emergentes apunta a una sociedad donde la computaci´ on cu´ antica resuelva problemas imposibles para la computaci´ on cl´ asica, la rob´ otica automatice las tareas dom´ esticas y log´ ısticas, la conducci´ on aut´ onoma elimine los accidentes de tr´ afico y libere tiempo de desplazamiento, los drones entreguen paquetes en minutos, y la biotecnolog´ ıa extienda la vida ´ util saludable. Sin embargo, el impacto ´ etico y social ser´ a profundo: desigualdad de acceso (¿solo los ricos vivir´ an m´ as y tendr´ an robots?), desplazamiento laboral (choferes, repartidores, enfermeras), y riesgos de seguridad (drones maliciosos, veh´ ıculos aut´ onomos pirateados). Alphabet tiene la responsabilidad de guiar estas tecnolog´ ıas hacia un uso beneficioso. 10.2. Inteligencia artificial generativa La inteligencia artificial generativa (IA generativa) ha pasado de ser una curiosidad de laboratorio a una fuerza transformadora de la sociedad, y Google (ahora Google DeepMind) est´ a en el centro de esta revoluci´ on. Esta subsecci´ on analiza los modelos fundacionales de Google (Gemini, PaLM 2, Imagen, MusicLM), sus arquitecturas (transformadores, difusi´ on, multimodalidad), las aplicaciones en b´ usqueda generativa (SGE), creatividad (texto, imagen, m´ usica, v´ ıdeo), asistencia personal (Assistant con Bard), y el impacto en la educaci´ on, el periodismo y el trabajo creativo. Tambi´ en se abordan los desaf´ ıos de la alucinaci´ on, el sesgo, la propiedad intelectual y la regulaci´ on. Gemini: el modelo multimodal de Google Anunciado en diciembre de 2023, Gemini es el modelo m´ as capaz de Google DeepMind, entrenado desde cero para ser nativamente multimodal (texto, imagen, audio, v´ ıdeo, c´ odigo). A diferencia de los modelos que combinan m´ odulos especializados (por ejemplo, CLIP para im´ agenes + LLM para texto), Gemini utiliza una arquitectura de transformador con atenci´ on conjunta sobre todas las modalidades. Esto le permite, por ejemplo, entender un diagrama en una pregunta de examen de f´ ısica y generar la respuesta en lenguaje natural, o describir el contenido de un v´ ıdeo de YouTube y responder preguntas sobre transiciones. Gemini Ultra (la versi´ on m´ as grande, con m´ as de 1 bill´ on de par´ ametros) supera a GPT-4 en la mayor´ ıa de los benchmarks (MMLU, GSM8K, HumanEval). La versi´ on Pro est´ a integrada en Bard (ahora simplemente Gemini) y en la b´ usqueda generativa (SGE). La versi´ on Nano se ejecuta en dispositivos (como el Pixel 8 Pro) para tareas de baja latencia sin conexi´ on a Internet. Abraham Zamudio 115 PIT: Python Basico

Sesion 1 Arquitectura y entrenamiento El entrenamiento de Gemini requiri´
o una infraestructura de TPU v4 (m´ as de 10.000 chips) y un conjunto de datos de 15 billones de tokens, combinando textos, im´ agenes, transcripciones de v´ ıdeo y c´ odigo. Se utilizaron t´ ecnicas de atenci´ on esparcida (Mixture of Experts, MoE) para reducir el coste de inferencia: cada token activa solo un subconjunto de par´ ametros (aproximadamente 100 mil millones de los 1 bill´ on). La alineaci´ on con valores humanos (RLHF, Reinforcement Learning from Human Feedback) se realiz´ o mediante retroalimentaci´ on de 100.000 evaluadores humanos y t´ ecnicas de constitucionalismo (Constitutional AI). Google tambi´ en implement´ o filtros de seguridad (clasificadores de contenido t´ oxico, violencia, sexual) durante el post-entrenamiento. B´ usqueda generativa (SGE) La B´ usqueda Generativa de Google (SGE, Search Generative Experience) es el cambio m´ as radical en el motor de b´ usqueda desde su creaci´ on. En lugar de devolver una lista de enlaces azules, SGE sintetiza una respuesta generada por IA en la parte superior de los resultados, citando fuentes. Por ejemplo, para la consulta “¿cu´ ales son las diferencias entre la fotos´ ıntesis C3 y C4?”, SGE genera un p´ arrafo explicativo con vi˜ netas, y debajo muestra enlaces tradicionales para profundizar. El usuario puede hacer preguntas de seguimiento en un modo conversacional. SGE utiliza Gemini Pro y una t´ ecnica de “b´ usqueda mejorada por generaci´ on” (RAG, Retrieval-Augmented Generation) para recuperar documentos relevantes en tiempo real y evitar alucinaciones. En 2024, SGE est´ a en beta en 120 pa´ ıses, con planes de ser la experiencia predeterminada para finales de 2025. El impacto en el SEO y en los editores es enorme: si los usuarios obtienen respuestas completas sin hacer clic, el tr´ afico a los sitios web puede caer en picado. Google ha prometido seguir enviando tr´ afico a las fuentes citadas, pero los modelos econ´ omicos a´ un no est´ an claros. Generaci´ on de im´ agenes y v´ ıdeo Imagen (2022) y su evoluci´ on Imagen 2 son modelos de difusi´ on que generan im´ agenes fotorrealistas a partir de descripciones textuales. Utilizan una arquitectura de U-Net con atenci´ on cruzada y un codificador de texto T5-XXL. Imagen 2 mejora la coherencia en la representaci´ on de texto (escribe correctamente las palabras en carteles) y la diversidad de estilos. Google ha integrado Imagen en Google Slides y en el asistente de dise˜ no de Google Ads (generaci´ on de creatividades publicitarias). Para v´ ıdeo, Lumiere (2024) genera clips de 5 segundos a partir de texto o imagen, con movimiento coherente y resoluci´ on de hasta 720p. Aunque a´ un en fase de investigaci´ on, se espera que las herramientas de v´ ıdeo generativo impacten en la producci´ on cinematogr´ afica independiente y en el marketing. M´ usica generativa: MusicLM MusicLM (2023) es un modelo que genera m´ usica en alta fidelidad (44.1 kHz) a partir de descripciones textuales (“un vals de jazz con saxof´ on melanc´ olico en tempo lento”). Entrenado con 280.000 horas de m´ usica etiquetada (de AudioSet de Google), MusicLM utiliza una arquitectura jer´ arquica de audio-codec y transformadores. A diferencia de otros modelos, Abraham Zamudio 116 PIT: Python Basico

Sesion 1 MusicLM puede generar audio est´ ereo y mantener
la coherencia durante 30 segundos. Google ha lanzado una versi´ on de investigaci´ on (no comercial) con watermarks audibles para evitar plagios. El impacto en la industria musical es potencialmente disruptivo: bandas sonoras para v´ ıdeos de YouTube, jingles publicitarios, o m´ usica de fondo para juegos pueden crearse al instante, amenazando los ingresos de compositores. Aplicaciones en productividad y educaci´ on La IA generativa se integra en Google Workspace: en Docs, “Help me write” (redacci´ on asistida); en Sheets, “Help me organize” (generaci´ on de f´ ormulas y tablas din´ amicas); en Slides, “Help me visualize” (creaci´ on de im´ agenes y diagramas); en Gmail, “Smart Compose” mejorado con res´ umenes de hilos. En Google Classroom, la IA generativa puede crear planes de lecciones, generar preguntas de comprensi´ on lectora adaptadas al nivel del estudiante, y proporcionar retroalimentaci´ on sobre redacciones. Aunque las herramientas aumentan la productividad, tambi´ en plantean riesgos de que los estudiantes dependan de la IA para hacer sus tareas (plagio). Google ha lanzado un detector de contenido generado por IA (identificador de marca de agua sint´ etica) para uso educativo, pero su fiabilidad es limitada. Desaf´ ıos: alucinaciones y verificaci´ on factual Los LLM alucinan (inventan hechos) incluso en Gemini. Google ha implementado la t´ ecnica de “citas vinculadas” (grounded citations) en SGE: cada afirmaci´ on generada tiene un enlace a la p´ agina web de origen, y si la p´ agina no respalda la afirmaci´ on, el modelo debe abstenerse. Adem´ as, se utiliza un modelo de verificaci´ on (verifier) que contrasta la respuesta con los documentos recuperados. A pesar de ello, las alucinaciones persisten en temas especializados o con poca cobertura documental. Para aplicaciones m´ edicas o legales, Google recomienda no confiar ´ unicamente en la IA. Propiedad intelectual y ´ etica La IA generativa se entrena con datos extra´ ıdos de la web (incluyendo obras con derechos de autor). Artistas, escritores y m´ usicos han demandado a Google (y a otras empresas) por violaci´ on de derechos de autor. Google argumenta que el uso es “transformador” y est´ a protegido por la doctrina del fair use, pero la legislaci´ on a´ un no est´ a clara. En respuesta, Google ha ofrecido indemnizar a los usuarios comerciales de sus APIs generativas (Gemini, Imagen) en caso de demandas por infracci´ on (“indemnizaci´ on de IA”). Sin embargo, los titulares de derechos quieren un sistema de licencias obligatorias y compensaci´ on. El debate sobre la propiedad intelectual en la era de la IA generativa es uno de los m´ as intensos. Hacia la AGI y la superinteligencia La IA generativa es un paso hacia la inteligencia artificial general (AGI). Google DeepMind ha declarado que su objetivo es desarrollar AGI de manera segura. Proyectos como Gato (un agente que ejecuta m´ as de 600 tareas) y Adaptive Agent (que aprende a jugar juegos sin instrucciones) muestran avances. Sin embargo, el camino hacia la AGI requiere superar limitaciones como la memoria a largo plazo, el razonamiento causal y la planificaci´ on. El Abraham Zamudio 117 PIT: Python Basico

Sesion 1 riesgo existencial de una AGI desalineada ha llevado
a Google a crear un comit´ e de seguridad (“AI Safety Steering Committee”) y a limitar el despliegue de modelos con capacidad de auto-mejora. El consenso es que a´ un faltan d´ ecadas, pero la velocidad de progreso es incierta. 10.3. Ciudades inteligentes y automatizaci´ on Aunque el ambicioso proyecto Sidewalk Labs en Toronto se cancel´ o en 2020 debido a controversias sobre privacidad y gobernanza, Alphabet sigue invirtiendo en tecnolog´ ıas para ciudades inteligentes: sensores, gesti´ on de tr´ afico, calidad del aire, optimizaci´ on energ´ etica, y plataformas de datos urbanos. Esta subsecci´ on analiza el legado de Sidewalk Labs, los proyectos activos de Google en este ´ ambito (Google Environmental Insights Explorer, Project Sunroof, Google Maps para ciudades), y las alianzas con gobiernos locales. Tambi´ en se discuten los desaf´ ıos ´ eticos de la vigilancia masiva, la gobernanza de los datos, y la brecha digital urbana. Sidewalk Labs: lecciones aprendidas Sidewalk Labs fue fundada en 2015 para desarrollar tecnolog´ ıas de ciudad inteligente, con un proyecto emblem´ atico en Quayside, Toronto: construir un barrio de cero con madera contralaminada, aceras calefactadas, recogida de residuos neum´ atica, y una capa de datos urbanos (“Urban Data Platform”) que medir´ ıa el uso del espacio p´ ublico, el consumo de energ´ ıa, la movilidad y la calidad del aire. El proyecto gener´ o una fuerte oposici´ on local por la posibilidad de que los datos recopilados se comercializaran o se utilizaran para vigilancia. En mayo de 2020, Sidewalk Labs anunci´ o la cancelaci´ on de Quayside, citando la incertidumbre econ´ omica por la pandemia. La empresa se reestructur´ o y ahora se centra en software para la gesti´ on de edificios (“Powered by Sidewalk”), que no implica la recopilaci´ on de datos de individuos. Lecciones: la participaci´ on ciudadana temprana es crucial; la transparencia en el uso de datos debe ser verificable; y el desarrollo urbano es m´ as lento que el desarrollo tecnol´ ogico. Google Environmental Insights Explorer (EIE) EIE es una herramienta que ayuda a las ciudades a medir y reducir sus emisiones de carbono. Utiliza los datos de Google Maps (patrones de tr´ afico, tipo de veh´ ıculos, rutas de transporte p´ ublico) y datos satelitales (im´ agenes de alta resoluci´ on para calcular la reflectividad de los techos, etc.) para estimar la huella de carbono por manzana. Las ciudades (m´ as de 3.000 en 2023) pueden acceder a paneles de control gratuitos y simular el impacto de pol´ ıticas (zonas de bajas emisiones, carriles bici). EIE tambi´ en incluye informaci´ on sobre el potencial de energ´ ıa solar en los tejados (Project Sunroof). Aunque es menos controvertido que Sidewalk Labs, algunos activistas advierten de que Google podr´ ıa utilizar estos datos para mejorar sus propios modelos comerciales (por ejemplo, optimizar las rutas de sus veh´ ıculos aut´ onomos). Gesti´ on de tr´ afico con inteligencia artificial Google Maps ya utiliza datos en tiempo real de m´ as de 1.000 millones de dispositivos para optimizar rutas. El siguiente paso es la integraci´ on con sem´ aforos inteligentes (Google Green Abraham Zamudio 118 PIT: Python Basico

Sesion 1 Light). En un piloto en cuatro ciudades (Seattle,
Hamburgo, R´ ıo de Janeiro, Bangalore), Google utiliz´ o sus modelos de predicci´ on de flujo para ajustar los tiempos de sem´ aforo, reduciendo las paradas en un 20 % y las emisiones en un 10 %. El sistema se basa en el aprendizaje por refuerzo para optimizar el ciclo semaf´ orico sin necesidad de sensores adicionales. Google planea expandir este servicio a m´ as de 30 ciudades para 2025. La automatizaci´ on de la gesti´ on del tr´ afico podr´ ıa reducir la congesti´ on y los accidentes, pero tambi´ en genera preocupaciones sobre el control de Google sobre la infraestructura cr´ ıtica. Ciudades digitales gemelas (Digital Twins) Google est´ a desarrollando gemelos digitales de ciudades en Google Earth, utilizando datos de Street View, sat´ elites, LiDAR de aviones y modelos 3D generados por IA. Los gemelos digitales permiten a los planificadores urbanos simular escenarios: ¿qu´ e pasar´ ıa si se construye un nuevo estadio? ¿c´ omo afectar´ ıa el cierre de una calle al flujo de ambulancias? Google ofrece esta capacidad a trav´ es de la API de “Solar” y “Building Insights”. La precisi´ on es de menos de 1 metro en ´ areas urbanas. Los cr´ ıticos se˜ nalan que los gemelos digitales podr´ ıan utilizarse para vigilar a la poblaci´ on (por ejemplo, detectar protestas). Google afirma que solo proporciona datos anonimizados y agregados, y que los gobiernos locales deben implementar salvaguardas. Automatizaci´ on del hogar y el trabajo: Google Nest y Google Workspace AI En el ´ ambito dom´ estico, Google Nest (termostatos, c´ amaras, altavoces, timbres) automatiza el control de climatizaci´ on, iluminaci´ on y seguridad. El aprendizaje autom´ atico ajusta la temperatura seg´ un los h´ abitos de los residentes y la predicci´ on meteorol´ ogica. Google ha integrado el asistente de IA (Gemini) en Nest para permitir comandos conversacionales (“prepara la casa para la noche”). En el trabajo, Google Workspace con IA generativa automatiza la redacci´ on de correos, la generaci´ on de presentaciones y la transcripci´ on de reuniones. A largo plazo, se espera que la automatizaci´ on gestione flujos de trabajo completos (ejemplo: recibir un pedido, generar factura, actualizar CRM, enviar confirmaci´ on). El riesgo es la p´ erdida de puestos administrativos y de gesti´ on intermedia. Desaf´ ıos de la ciudad inteligente: privacidad, gobernanza y equidad Las ciudades inteligentes dependen de la recopilaci´ on masiva de datos (ubicaci´ on, movimientos, consumo energ´ etico). Sin un control estricto, estos datos pueden utilizarse para discriminar (precios din´ amicos, vigilancia policial predictiva) o para manipular el comportamiento (arquitectura de opciones). Google ha propuesto un marco de “privacidad por dise˜ no” donde los datos se anonimizan en el dispositivo y solo se env´ ıan agregados a la nube. Tambi´ en ha apoyado la creaci´ on de fideicomisos de datos urbanos (urban data trusts) donde los ciudadanos controlan el uso de sus datos. Sin embargo, estos mecanismos a´ un son experimentales. La brecha digital urbana (personas mayores, sin smartphone) puede quedar excluidas de los beneficios de las ciudades inteligentes, e incluso ser penalizadas (por ejemplo, peajes din´ amicos solo para quienes no usan la app). Alphabet tendr´ a que colaborar con los gobiernos para garantizar la inclusi´ on. Abraham Zamudio 119 PIT: Python Basico

Sesion 1 10.4. Futuro del trabajo digital El trabajo digital,
acelerado por la pandemia y potenciado por las herramientas de Google, est´ a transformando las relaciones laborales, los espacios de oficina y las habilidades requeridas. Esta subsecci´ on analiza c´ omo Alphabet (Google Workspace, Google Cloud, IA generativa) est´ a redefiniendo el trabajo: colaboraci´ on as´ ıncrona, oficinas inteligentes, teletrabajo, gig economy en plataformas de Google (YouTube, AdSense), y la automatizaci´ on de tareas cognitivas. Tambi´ en se abordan los desaf´ ıos de la desconexi´ on laboral, la seguridad social de los trabajadores de plataforma, y la necesidad de recapacitaci´ on continua. El nuevo modelo h´ ıbrido y las herramientas de Google Antes de 2020, el trabajo remoto era una opci´ on marginal. La pandemia oblig´ o a millones de empleados a trabajar desde casa, y Google Workspace (Meet, Chat, Docs, Drive) fue esencial para la transici´ on. Incluso despu´ es del fin de las restricciones, muchas empresas adoptaron modelos h´ ıbridos (2-3 d´ ıas en oficina, el resto remoto). Google ha redise˜ nado sus propias oficinas para este modelo: espacios de colaboraci´ on en lugar de escritorios fijos, salas equipadas con Meet hardware (Series One) y paneles de reserva. Google Meet introdujo funciones como “Studio Look” (fondo virtual con IA) y “Portrait Restore” (mejora de la calidad de v´ ıdeo con poca luz). La integraci´ on con Calendar permite programar reuniones h´ ıbridas con facilidad. El futuro del trabajo h´ ıbrido depender´ a de que estas herramientas sigan mejorando en fiabilidad y reduciendo la fatiga de videollamadas (“Zoom fatigue”). Google est´ a investigando la transmisi´ on de v´ ıdeo con codecs de alta eficiencia (AV2) y la cancelaci´ on de ruido avanzada. Trabajo as´ ıncrono y documentaci´ on colaborativa Una de las ventajas de Google Workspace es la colaboraci´ on as´ ıncrona: los empleados pueden editar documentos, hojas de c´ alculo y presentaciones en diferentes momentos, y los cambios se sincronizan autom´ aticamente. Esto elimina la necesidad de reuniones de coordinaci´ on y permite que equipos distribuidos en distintas zonas horarias trabajen sin fricci´ on. Las funciones de comentarios, sugerencias y asignaci´ on de tareas dentro de Docs facilitan la delegaci´ on. Google tambi´ en ha incorporado plantillas inteligentes (“building blocks”) para procesos comunes: actas de reuniones, seguimiento de proyectos, bases de datos en Sheets. El trabajo as´ ıncrono requiere una cultura de documentaci´ on y comunicaci´ on escrita clara, lo que puede ser un desaf´ ıo para empresas acostumbradas a la comunicaci´ on oral y las reuniones presenciales. Inteligencia artificial como compa˜ nero de trabajo La IA generativa integrada en Workspace (“Duet AI” para Google Workspace y ahora “Gemini for Workspace”) act´ ua como un compa˜ nero de trabajo virtual: puede redactar correos, resumir largos hilos de conversaci´ on, sugerir respuestas, generar gr´ aficos a partir de datos, traducir documentos al instante, y transcribir reuniones en tiempo real con etiquetado de oradores. En el futuro, la IA podr´ ıa incluso participar en las reuniones (asistente virtual que responde preguntas sencillas, extrae acciones y actualiza el CRM). Esto aumentar´ a la productividad, Abraham Zamudio 120 PIT: Python Basico

Sesion 1 pero tambi´ en podr´ ıa llevar a la
p´ erdida de puestos de trabajo administrativos y de gesti´ on de bajo nivel. Google ha lanzado cursos de “alfabetizaci´ on en IA” para ayudar a los trabajadores a adaptarse. La econom´ ıa de plataforma y los trabajadores de Google M´ as all´ a del trabajo corporativo, el ecosistema de Google genera empleo en plataformas: youtubers, especialistas en SEO, desarrolladores de apps, evaluadores de b´ usqueda (raters), moderadores de contenido, etc. Estos trabajadores suelen ser aut´ onomos o contratistas, sin los beneficios de los empleados fijos (seguro m´ edico, vacaciones pagadas, derechos sindicales). Google ha sido criticada por las condiciones de los moderadores de contenido (expuestos a material traum´ atico, con bajos salarios y alta rotaci´ on). En 2022, Google aument´ o el salario m´ ınimo de los contratistas de moderaci´ on a 15 d´ olares por hora y proporcion´ o acceso a servicios de salud mental. Sin embargo, la falta de un estatus laboral estable sigue siendo un problema. El futuro del trabajo digital podr´ ıa incluir la sindicalizaci´ on de estos trabajadores (como ocurri´ o con los repartidores de Glovo) y la creaci´ on de fondos de solidaridad. Desplazamiento laboral por automatizaci´ on Se estima que la IA generativa podr´ ıa automatizar entre el 20 % y el 40 % de las tareas rutinarias en ocupaciones como redacci´ on, traducci´ on, programaci´ on b´ asica, atenci´ on al cliente y contabilidad. Google ha desarrollado herramientas como “Codey” (generaci´ on de c´ odigo) y “Dialogflow CX” (chatbots para atenci´ on al cliente) que reducen la necesidad de mano de obra. El Banco Mundial advierte que en los pa´ ıses en desarrollo, el 50 % de los empleos podr´ ıan verse afectados por la automatizaci´ on de la IA. Google ha respondido con programas de recapacitaci´ on (“Grow with Google”) que ofrecen certificados en habilidades digitales demandadas (an´ alisis de datos, ciberseguridad, soporte de TI). Sin embargo, la velocidad del cambio puede superar la capacidad de reconversi´ on, especialmente para trabajadores mayores o con baja cualificaci´ on. El debate sobre un ingreso b´ asico universal (UBI) financiado por impuestos a la automatizaci´ on est´ a ganando terreno, pero Google no ha tomado una posici´ on oficial. Equilibrio entre vida laboral y personal: el derecho a la desconexi´ on La hiperconectividad facilitada por Gmail, Meet y Chat puede llevar a la erosi´ on de los l´ ımites entre trabajo y vida personal. Los empleados pueden recibir correos y mensajes a cualquier hora, lo que aumenta el estr´ es y el agotamiento. Google ha a˜ nadido funciones como “Horario de enfoque” (pausa las notificaciones despu´ es del horario laboral) y “Respuesta autom´ atica fuera de la oficina”. Algunas empresas han establecido pol´ ıticas de “derecho a la desconexi´ on” prohibiendo enviar correos despu´ es de las 7 pm. El dise˜ no de las herramientas de Google puede influir: por ejemplo, los correos programados permiten respetar los horarios de los destinatarios, pero los remitentes a´ un pueden trabajar fuera de horas. Google ha promovido el “bienestar digital” a trav´ es de informes de uso y temporizadores, pero el cumplimiento es voluntario. Abraham Zamudio 121 PIT: Python Basico

Sesion 1 10.5. Retos sociales y tecnol´ ogicos futuros A
medida que Alphabet contin´ ua expandiendo su influencia, se enfrentar´ a a retos que determinar´ an el rumbo de la sociedad en las pr´ oximas d´ ecadas: el cambio clim´ atico y la sostenibilidad de la computaci´ on, la equidad en el acceso a la tecnolog´ ıa, la gobernanza global de la IA, el control del poder de las plataformas, y la responsabilidad por los da˜ nos causados por algoritmos. Esta subsecci´ on sintetiza los principales riesgos y propone posibles marcos de actuaci´ on, destacando tanto las oportunidades como las amenazas. Cambio clim´ atico y huella de carbono digital Los centros de datos de Google consumen alrededor de 10 teravatios hora al a˜ no (aproximadamente el 0.1 % del consumo el´ ectrico mundial, comparable al consumo de Panam´ a). Aunque Google ha compensado sus emisiones desde 2007 y se ha comprometido a operar con energ´ ıa libre de carbono 24/7 en 2030, la huella de carbono de la fabricaci´ on de dispositivos (servidores, Chromebooks, tel´ efonos Pixel) y del ciclo de vida de los productos es significativa. La IA generativa es particularmente intensiva en energ´ ıa: entrenar un modelo como Gemini Ultra emiti´ o alrededor de 500 toneladas de CO2 equivalente (similar a 100 coches durante un a˜ no). A medida que crece el uso de la IA, la demanda energ´ etica podr´ ıa dispararse. Google est´ a invirtiendo en la optimizaci´ on de hardware (TPU m´ as eficientes), en la refrigeraci´ on l´ ıquida de centros de datos (reduciendo el PUE a 1.10) y en la compra de energ´ ıa renovable. Sin embargo, no est´ a claro si estas medidas compensar´ an el crecimiento exponencial del c´ omputo. Los cr´ ıticos piden un impuesto al carbono para los servicios de computaci´ on en la nube. Brecha digital y desigualdad de acceso A pesar de los esfuerzos (Android Go, Chromebooks, Google Station), la brecha digital persiste: 2700 millones de personas sin acceso a Internet (UIT, 2023). Los m´ as afectados son los pobres, las zonas rurales, las mujeres y las personas mayores. La falta de acceso excluye a estas poblaciones de la econom´ ıa digital, la educaci´ on en l´ ınea, los servicios de salud y la participaci´ on c´ ıvica. Alphabet podr´ ıa desempe˜ nar un papel m´ as activo, por ejemplo, invirtiendo en infraestructura de Internet de acceso p´ ublico (a trav´ es de Google Fiber o asociaciones con operadores) o subsidiando dispositivos para escuelas. Sin embargo, el modelo de negocio de Google se basa en la publicidad, que requiere usuarios con poder adquisitivo. Existe una tensi´ on entre la expansi´ on de la base de usuarios y la rentabilidad. Algunos activistas proponen que Alphabet destine un porcentaje fijo de sus beneficios (por ejemplo, el 1 %) a un fondo de inclusi´ on digital. Gobernanza global de la IA La IA trasciende las fronteras nacionales, pero la regulaci´ on es fragmentada: la UE tiene la AI Act, China tiene estrictas normas de contenido, y EE.UU. carece de una ley federal integral. Google aboga por la “cooperaci´ on internacional” y ha firmado el Acuerdo de IA de la OCDE, pero se opone a regulaciones que limiten la investigaci´ on b´ asica. El futuro podr´ ıa ver la creaci´ on de un organismo global similar al IPCC de la ONU para la IA, que eval´ ue riesgos y recomiende est´ andares. Alphabet podr´ ıa usar su influencia para impulsar un marco Abraham Zamudio 122 PIT: Python Basico

Sesion 1 de seguridad voluntario (como los “AI Safety Commitments”).
Sin embargo, la competencia geopol´ ıtica (especialmente con China) podr´ ıa llevar a una carrera armamentista de la IA, con desregulaci´ on y externalidades negativas. Concentraci´ on de poder y antimonopolio A pesar de las multas y demandas, el poder de mercado de Google sigue siendo enorme. El futuro podr´ ıa incluir la ruptura forzada de Alphabet (por ejemplo, separar Google Search de YouTube, Android, y la nube) o una regulaci´ on m´ as estricta del tipo de servicios p´ ublicos (utility regulation). La experiencia de AT&T (divisi´ on en 1984) y de Standard Oil (1911) muestra que las rupturas pueden fomentar la competencia, pero tambi´ en pueden reducir las econom´ ıas de escala y la inversi´ on en I+D. Alphabet argumenta que su integraci´ on vertical beneficia a los consumidores. El desenlace de la demanda del DOJ y de las investigaciones de la UE ser´ a determinante. Responsabilidad algor´ ıtmica y derecho a la reparaci´ on Cuando un algoritmo de Google causa un da˜ no (por ejemplo, una recomendaci´ on de YouTube que radicaliza a un adolescente, un resultado de b´ usqueda que difama a una persona, una suspensi´ on err´ onea de una cuenta de Ads que arruina un negocio), ¿qui´ en es responsable? Actualmente, la Secci´ on 230 de la Ley de Decencia de las Comunicaciones (EE.UU.) protege a Google de la responsabilidad por el contenido generado por los usuarios, pero no por sus propios algoritmos. Los tribunales est´ an empezando a reconocer la “responsabilidad algor´ ıtmica” (caso de los padres de un ni˜ no asesinado atribuido a recomendaciones de YouTube). Google ha creado fondos de compensaci´ on (como el “Google Ads Credits” para suspensiones injustas) y ofrece v´ ıas de apelaci´ on, pero la carga de la prueba recae en el usuario. El futuro podr´ ıa exigir que Google someta sus algoritmos a auditor´ ıas externas peri´ odicas y que establezca un defensor del pueblo (ombudsperson) independiente. El papel de Alphabet en la democracia y la desinformaci´ on Las elecciones de 2024 y 2025 ser´ an una prueba de fuego para la capacidad de Google de combatir la desinformaci´ on generada por IA (deepfakes, bulos). Google ha implementado etiquetas de verificaci´ on de hechos, restricciones a la publicidad pol´ ıtica y la eliminaci´ on de contenidos ilegales. Sin embargo, la escala es abrumadora, y los actores maliciosos utilizan la propia IA de Google para generar propaganda. El futuro podr´ ıa requerir que Google comparta datos con los reguladores electorales y que acepte una supervisi´ on independiente durante los periodos electorales. Tambi´ en es posible que los gobiernos exijan que Google (y otras plataformas) ralenticen la difusi´ on de contenidos virales no verificados (“circuit breakers”). El equilibrio entre la libertad de expresi´ on y la integridad electoral es uno de los desaf´ ıos m´ as dif´ ıciles. Conclusi´ on: hacia un contrato social digital Alphabet tiene el poder y la responsabilidad de dar forma al futuro de la sociedad. Las innovaciones emergentes (cu´ antica, fusi´ on, rob´ otica) prometen resolver problemas apremiantes, Abraham Zamudio 123 PIT: Python Basico

Sesion 1 mientras que la IA generativa transforma el trabajo
y la creatividad. Las ciudades inteligentes podr´ ıan ser m´ as eficientes y sostenibles, pero solo si se dise˜ nan con privacidad y equidad. El futuro del trabajo digital requiere una recapacitaci´ on masiva y protecci´ on social. En ´ ultima instancia, la sociedad debe negociar un nuevo contrato social con los gigantes tecnol´ ogicos: una combinaci´ on de regulaci´ on, autorregulaci´ on, empoderamiento de los usuarios y competencia. Alphabet tiene la oportunidad de liderar este proceso con transparencia y responsabilidad, o de enfrentarse a una reacci´ on cada vez m´ as hostil. El desenlace determinar´ a si la tecnolog´ ıa sirve a la humanidad o la subyuga. 11. Conclusiones 11.1. Balance del impacto de Google en la sociedad A lo largo de este art´ ıculo se ha realizado un recorrido exhaustivo por la historia, la estructura corporativa, los servicios, las innovaciones y las controversias de Alphabet Inc., la empresa matriz de Google. El balance del impacto de Google en la sociedad es, inevitablemente, dual: por una parte, ha democratizado el acceso a la informaci´ on, transformado la educaci´ on, la comunicaci´ on, la econom´ ıa digital y el desarrollo tecnol´ ogico; por otra, ha concentrado un poder sin precedentes en la recopilaci´ on de datos, ha suscitado serias preocupaciones sobre la privacidad, ha fomentado dependencias sist´ emicas y ha planteado dilemas ´ eticos en torno a la inteligencia artificial y la automatizaci´ on. Esta subsecci´ on sintetiza las principales conclusiones de cada bloque tem´ atico, evaluando los logros y las sombras de la corporaci´ on. Democratizaci´ on del conocimiento y transformaci´ on educativa El primer gran impacto positivo de Google ha sido la eliminaci´ on de barreras geogr´ aficas, econ´ omicas y temporales para acceder a la informaci´ on. Antes de Google, un estudiante en una aldea remota no pod´ ıa consultar las mismas fuentes que un investigador en una universidad de ´ elite; hoy, con una conexi´ on a Internet y un dispositivo b´ asico, puede acceder a miles de millones de p´ aginas web, v´ ıdeos educativos, art´ ıculos acad´ emicos y libros digitalizados. Servicios como Google Scholar, Google Books y YouTube han ampliado el acervo cultural y cient´ ıfico disponible para la humanidad. En el ´ ambito educativo, Google Classroom se ha convertido en la plataforma de gesti´ on del aprendizaje m´ as utilizada del mundo, especialmente durante la pandemia de COVID-19, permitiendo la continuidad pedag´ ogica de millones de estudiantes. Las herramientas colaborativas (Docs, Sheets, Slides) han fomentado nuevas metodolog´ ıas de aprendizaje activo y trabajo en equipo. Sin embargo, la transformaci´ on educativa no ha sido uniforme: persisten brechas de conectividad (m´ as de 2.700 millones de personas sin Internet) y de alfabetizaci´ on digital. Adem´ as, la dependencia excesiva de Google en las escuelas plantea riesgos de monopolio educativo y de privacidad de los datos de menores. El balance en este ´ ambito es positivo, pero condicionado a la implementaci´ on de pol´ ıticas de equidad y protecci´ on de datos. Abraham Zamudio 124 PIT: Python Basico

Sesion 1 Impacto en la comunicaci´ on y la vida
cotidiana Gmail, Google Maps, YouTube y Google Meet han redefinido la comunicaci´ on interpersonal, la navegaci´ on y el consumo audiovisual. Gmail, con m´ as de 1.800 millones de usuarios, ha hecho que el correo electr´ onico sea gratuito, accesible y con capacidad masiva de almacenamiento. Google Maps ha eliminado la necesidad de mapas de papel y ha optimizado el transporte urbano, aunque ha atrofiado la orientaci´ on espacial de los usuarios. YouTube ha democratizado la producci´ on audiovisual, dando voz a creadores de todo el mundo y generando una nueva econom´ ıa del creador, pero tambi´ en ha sido criticado por la difusi´ on de desinformaci´ on y la radicalizaci´ on a trav´ es de su algoritmo de recomendaci´ on. La dependencia de estos servicios es tal que una interrupci´ on de unos minutos puede paralizar actividades econ´ omicas y sociales. El balance aqu´ ı es agridulce: la comodidad y eficiencia son innegables, pero la vulnerabilidad sist´ emica y la erosi´ on de capacidades humanas b´ asicas (memoria, orientaci´ on) son efectos secundarios preocupantes. Econom´ ıa digital y publicidad El modelo de negocio de Google, basado en la publicidad segmentada (Google Ads y AdSense), ha financiado la gratuidad de servicios esenciales y ha permitido que peque˜ nas y medianas empresas accedan a campa˜ nas publicitarias masivas con presupuestos reducidos. El retorno de la inversi´ on en Google Ads es, en promedio, de 8 d´ olares por cada d´ olar gastado, lo que ha impulsado el comercio electr´ onico y el emprendimiento digital. Sin embargo, este modelo se sustenta en la recopilaci´ on masiva de datos de los usuarios, lo que ha generado conflictos con la privacidad. Adem´ as, el dominio de Google en la publicidad digital (27 % de la cuota mundial) ha dado lugar a pr´ acticas anticompetitivas sancionadas con multas multimillonarias en Europa. La econom´ ıa digital se ha vuelto dependiente de las reglas y algoritmos de Google, lo que otorga a la corporaci´ on un poder desmesurado sobre la visibilidad de los negocios en l´ ınea. El balance econ´ omico es positivo en t´ erminos de eficiencia y crecimiento, pero negativo en t´ erminos de concentraci´ on de poder y falta de transparencia. Desarrollo tecnol´ ogico e innovaci´ on Alphabet ha sido un motor de innovaci´ on tecnol´ ogica: desde la inteligencia artificial (Google Brain, DeepMind, Gemini) hasta la computaci´ on en la nube (GCP), los sistemas operativos (Android), el big data (BigQuery), la automatizaci´ on y el aprendizaje autom´ atico. Los avances en IA han permitido desde la predicci´ on de estructuras de prote´ ınas (AlphaFold) hasta la optimizaci´ on de centros de datos. Android ha roto el monopolio de los sistemas operativos m´ oviles propietarios, fomentando la diversidad de dispositivos y aplicaciones. Google Cloud Platform ha democratizado el acceso a la computaci´ on escalable y al an´ alisis de datos. Sin embargo, estas innovaciones tambi´ en generan riesgos: la IA puede perpetuar sesgos, ser utilizada para vigilancia masiva o causar desempleo por automatizaci´ on. El balance tecnol´ ogico es el de un progreso extraordinario acompa˜ nado de desaf´ ıos ´ eticos y regulatorios a´ un no resueltos. Abraham Zamudio 125 PIT: Python Basico

Sesion 1 Problemas y controversias La secci´ on de problemas
y controversias ha puesto de manifiesto las sombras de Google: la recopilaci´ on masiva de datos y las violaciones de privacidad (multas por GDPR, demandas por rastreo en modo inc´ ognito), el abuso de posici´ on dominante y las pr´ acticas anticompetitivas (multas de la Comisi´ on Europea, demanda del DOJ), los sesgos algor´ ıtmicos y la manipulaci´ on de resultados, la dependencia de los servicios digitales y la discontinuidad de productos, y los dilemas ´ eticos de la inteligencia artificial (proyecto Maven, despido de investigadores cr´ ıticos, alucinaciones). Estos problemas no son incidentales, sino estructurales al modelo de negocio de Google. El balance en este terreno es claramente negativo, y constituye el principal desaf´ ıo para la legitimidad de Alphabet en el futuro. 11.2. Beneficios y riesgos de su influencia global La influencia de Google es global y afecta a casi todos los aspectos de la vida moderna. Esta subsecci´ on resume de manera sistem´ atica los principales beneficios y riesgos identificados en el art´ ıculo, con el objetivo de proporcionar una visi´ on equilibrada que sirva de base para la reflexi´ on final. Beneficios documentados 1. Acceso universal a la informaci´ on: Google ha reducido dr´ asticamente el coste de acceso al conocimiento, permitiendo que cualquier persona con conexi´ on a Internet pueda consultar fuentes antes reservadas a ´ elites. Esto ha impulsado la educaci´ on autodidacta, la investigaci´ on cient´ ıfica y la participaci´ on ciudadana. 2. Eficiencia econ´ omica y productividad: Las PYMEs pueden competir en igualdad de condiciones con grandes corporaciones mediante Google Ads; los profesionales pueden colaborar en tiempo real con Google Workspace; los consumidores pueden comparar precios y opiniones en segundos. 3. Innovaci´ on tecnol´ ogica acelerada: La inversi´ on de Alphabet en I+D (m´ as de 40 mil millones de d´ olares anuales) ha producido avances en IA, computaci´ on cu´ antica, biotecnolog´ ıa y energ´ ıas limpias que benefician a toda la humanidad. 4. Comunicaci´ on y movilidad: Gmail, Meet y Maps han hecho que la comunicaci´ on y el transporte sean m´ as fluidos, seguros y accesibles. 5. Inclusi´ on digital parcial: Programas como Android Go, Chromebooks y Grow with Google han llevado la tecnolog´ ıa a poblaciones de bajos ingresos y han proporcionado formaci´ on en habilidades digitales. Riesgos identificados 1. Concentraci´ on de poder: Google domina la b´ usqueda, la publicidad digital, los sistemas operativos m´ oviles y la anal´ ıtica web, lo que le permite fijar reglas unilaterales que afectan a millones de empresas y usuarios. Abraham Zamudio 126 PIT: Python Basico

Sesion 1 2. Violaci´ on de la privacidad: La recopilaci´
on masiva de datos (ubicaci´ on, b´ usquedas, correos, v´ ıdeos) sin consentimiento informado suficiente viola derechos fundamentales en muchas jurisdicciones. Los incidentes de seguridad y las filtraciones evidencian vulnerabilidades. 3. Sesgos y manipulaci´ on algor´ ıtmica: Los algoritmos de Google no son neutrales; amplifican sesgos de g´ enero, raza y pol´ ıtica, y pueden ser explotados para manipular opiniones (burbujas de filtro, radicalizaci´ on en YouTube). 4. Dependencia sist´ emica y fragilidad: La interrupci´ on de los servicios de Google puede paralizar empresas, gobiernos y servicios esenciales. La discontinuidad de productos (Google Reader, Stadia) genera p´ erdidas a quienes invirtieron en ellos. 5. Desplazamiento laboral y desigualdad: La automatizaci´ on impulsada por la IA de Google destruye empleos en sectores como la traducci´ on, la redacci´ on, la atenci´ on al cliente y la conducci´ on, sin que existan planes de recapacitaci´ on a la escala necesaria. 6. Riesgos ´ eticos de la IA: La IA generativa puede producir desinformaci´ on a gran escala (deepfakes, noticias falsas), perpetuar sesgos da˜ ninos y, a largo plazo, plantear riesgos existenciales si no se alinea con los valores humanos. Evaluaci´ on neta No es posible reducir la influencia de Google a un simple saldo positivo o negativo, porque los beneficios y riesgos afectan de manera diferente a distintos grupos y contextos. Para un peque˜ no empresario en un pa´ ıs en desarrollo, Google Ads puede ser la diferencia entre la supervivencia y la quiebra; para un activista de derechos humanos, la recopilaci´ on de datos de Google puede ser una amenaza existencial. Para un estudiante, Google Scholar es una herramienta indispensable; para un periodista, la dependencia del tr´ afico de Google News puede ser una camisa de fuerza. Lo que est´ a claro es que los riesgos no son meramente te´ oricos: ya han causado da˜ nos reales (multas millonarias, suspensiones injustas, exposici´ on de datos, radicalizaci´ on). Por tanto, la sociedad debe actuar para maximizar los beneficios y minimizar los riesgos mediante la regulaci´ on, la transparencia y la competencia. 11.3. Reflexi´ on sobre el futuro tecnol´ ogico A partir de las tendencias identificadas en la secci´ on anterior (innovaciones emergentes, IA generativa, ciudades inteligentes, futuro del trabajo), esta subsecci´ on ofrece una reflexi´ on prospectiva sobre los escenarios posibles para la sociedad en la era de Alphabet. Se consideran tres escenarios: optimista, pesimista y realista, y se analizan las condiciones que determinar´ ıan cada uno. Escenario optimista: tecnolog´ ıa al servicio de la humanidad En un escenario optimista, Alphabet y otras grandes tecnol´ ogicas colaboran con gobiernos, sociedad civil y academia para establecer marcos regulatorios robustos que garanticen la privacidad, la equidad y la competencia. Google adopta la transparencia algor´ ıtmica como Abraham Zamudio 127 PIT: Python Basico

Sesion 1 norma, someti´ endose a auditor´ ıas independientes peri´
odicas. La IA generativa se utiliza para aumentar las capacidades humanas (tutores personalizados, diagn´ ostico m´ edico asistido, traducci´ on universal) sin reemplazar el juicio humano. La computaci´ on cu´ antica resuelve problemas de cambio clim´ atico (optimizaci´ on de redes el´ ectricas, materiales para captura de carbono) y de salud (dise˜ no de f´ armacos). La conducci´ on aut´ onoma de Waymo reduce los accidentes de tr´ afico en un 90 %, liberando tiempo y salv´ ando vidas. Los drones de Wing entregan suministros m´ edicos a zonas remotas. La fusi´ on nuclear (TAE Technologies) proporciona energ´ ıa limpia e ilimitada, alimentando centros de datos sin emisiones. El trabajo h´ ıbrido y la automatizaci´ on de tareas rutinarias permiten a los trabajadores dedicarse a actividades creativas y de cuidado, financiadas por un ingreso b´ asico universal financiado por impuestos a la automatizaci´ on. La brecha digital se cierra mediante inversi´ on p´ ublica y privada, y los datos se gestionan mediante fideicomisos de datos controlados por los ciudadanos. En este escenario, Alphabet se transforma en una empresa de prop´ osito social, con una gobernanza que incluye representantes de los usuarios y de los trabajadores. Escenario pesimista: distop´ ıa de vigilancia y desigualdad En un escenario pesimista, la concentraci´ on de poder de Alphabet se consolida, sofocando cualquier competencia real. Los algoritmos de Google se vuelven a´ un m´ as opacos y manipuladores, explotando los sesgos cognitivos para maximizar la atenci´ on y los ingresos publicitarios. La IA generativa produce una marea de desinformaci´ on y deepfakes que erosionan la confianza en las instituciones democr´ aticas. Los gobiernos autoritarios utilizan la tecnolog´ ıa de Google (a trav´ es de contratos con subsidiarias como Verily o a trav´ es de la copia de sus algoritmos) para la vigilancia masiva de la poblaci´ on, la represi´ on de la disidencia y la manipulaci´ on electoral. Las ciudades inteligentes, basadas en sensores y datos de Google Maps, se convierten en espacios de control social, donde cada movimiento es registrado y puntuado (sistema de cr´ edito social). El desplazamiento laboral por automatizaci´ on alcanza al 50 % de la poblaci´ on activa, y los programas de recapacitaci´ on de Google son insuficientes y dise˜ nados para crear una mano de obra precaria (gig workers). La desigualdad se dispara: los accionistas de Alphabet acumulan riquezas astron´ omicas, mientras los trabajadores desplazados caen en la pobreza y la exclusi´ on. La computaci´ on cu´ antica se utiliza para romper el cifrado de comunicaciones, eliminando cualquier vestigio de privacidad. La fusi´ on nuclear fracasa debido a problemas t´ ecnicos, y los centros de datos de Google consumen una fracci´ on creciente de la energ´ ıa mundial, exacerbando el cambio clim´ atico. En este escenario, la humanidad se vuelve dependiente y vulnerable, y Alphabet se convierte en un Estado dentro del Estado, sin contrapesos efectivos. Escenario realista: tensi´ on y regulaci´ on incremental El escenario m´ as probable es intermedio: ni utop´ ıa ni distop´ ıa, sino un camino de tensi´ on continua entre el poder de las grandes tecnol´ ogicas y las fuerzas reguladoras. La Uni´ on Europea continuar´ a siendo el l´ ıder mundial en la regulaci´ on de la privacidad (GDPR, DMA, AI Act), imponiendo multas y medidas correctivas, pero sin desmantelar el poder de Google. Estados Unidos, tras la demanda del DOJ, podr´ ıa ordenar una ruptura parcial (por ejemplo, separar AdX y DFP), pero el proceso judicial durar´ a a˜ nos y las apelaciones pueden diluir las medidas. Abraham Zamudio 128 PIT: Python Basico

Sesion 1 China seguir´ a desarrollando su propio ecosistema (Baidu,
Tencent, Alibaba), reduciendo la influencia de Google en el mercado asi´ atico pero no a nivel global. La IA generativa ser´ a objeto de acuerdos voluntarios de seguridad (como los firmados por Google, Microsoft y OpenAI en la Cumbre de Seguridad de IA de 2023), pero las violaciones ser´ an frecuentes. Las ciudades inteligentes avanzar´ an lentamente, con proyectos piloto en ciudades medianas, y se enfrentar´ an a fuertes movimientos de oposici´ on por la privacidad. El trabajo h´ ıbrido se estabilizar´ a como la norma, con 2-3 d´ ıas de oficina a la semana, y la automatizaci´ on desplazar´ a empleos pero tambi´ en crear´ a otros nuevos (prompt engineers, especialistas en ´ etica de IA, entrenadores de modelos). La brecha digital se reducir´ a, pero no se eliminar´ a, y persistir´ an bolsas de exclusi´ on (personas mayores, zonas rurales remotas). En este escenario, los beneficios de Google seguir´ an siendo tangibles, pero los riesgos se gestionar´ an de forma imperfecta, con esc´ andalos peri´ odicos y ajustes regulatorios incrementales. Condiciones para un futuro deseable Para acercarse al escenario optimista, se requieren varias condiciones: Regulaci´ on robusta y aplicada: Las leyes antimonopolio deben actualizarse para la era digital, permitiendo la ruptura de empresas cuando sea necesario. Las leyes de privacidad deben exigir el consentimiento expl´ ıcito y la minimizaci´ on de datos, con sanciones disuasorias. Transparencia algor´ ıtmica: Google debe abrir sus algoritmos de ranking y recomendaci´ on a auditor´ ıas independientes, publicando m´ etricas de sesgo y efectividad. Debe permitir que los usuarios vean y controlen los factores que influyen en los resultados que ven. Derechos digitales: Debe reconocerse el derecho a la portabilidad de datos (ya en GDPR), el derecho a la explicaci´ on de decisiones algor´ ıtmicas y el derecho a la desconexi´ on laboral. Inversi´ on en recapacitaci´ on y protecci´ on social: Los gobiernos y las empresas deben financiar programas de formaci´ on continua a gran escala, y establecer redes de seguridad (ingreso b´ asico universal o seguro de desempleo reforzado) para los trabajadores desplazados por la automatizaci´ on. Gobernanza participativa de la IA: Deben crearse organismos multistakeholder (gobiernos, empresas, academia, sociedad civil) para establecer est´ andares de seguridad y ´ etica de la IA, con mecanismos de supervisi´ on y sanci´ on. Alfabetizaci´ on digital cr´ ıtica: La educaci´ on debe incluir competencias para evaluar la credibilidad de las fuentes, entender el funcionamiento b´ asico de los algoritmos y proteger la propia privacidad. Sin estas condiciones, el escenario realista tender´ a a derivar hacia el pesimista, ya que los incentivos del mercado favorecen la concentraci´ on de poder y la explotaci´ on de datos. Abraham Zamudio 129 PIT: Python Basico

Sesion 1 11.4. Importancia de un uso responsable de la
tecnolog´ ıa La ´ ultima subsecci´ on de las conclusiones enfatiza el papel de los diferentes actores (ciudadanos, empresas, gobiernos, educadores) en la construcci´ on de un futuro tecnol´ ogico responsable. No basta con que Alphabet adopte medidas internas; la responsabilidad es compartida. Responsabilidad de los usuarios individuales Los usuarios de los servicios de Google pueden tomar medidas para protegerse y reducir su dependencia: Configuraci´ on de la privacidad: Revisar peri´ odicamente la configuraci´ on de la cuenta de Google (My Activity, controles de ubicaci´ on, personalizaci´ on de anuncios) y ajustarla al nivel de privacidad deseado. Utilizar el modo inc´ ognito para b´ usquedas sensibles, pero recordando que no es completamente an´ onimo. Diversificaci´ on de servicios: No depender exclusivamente de Google. Utilizar motores de b´ usqueda alternativos (DuckDuckGo, Qwant, Ecosia), servicios de correo (Proton- Mail, Tutanota), almacenamiento en la nube (Nextcloud autoalojado, Tresorit), mapas (OpenStreetMap, Here WeGo) y navegadores (Firefox, Brave). La diversificaci´ on reduce la dependencia y limita la recopilaci´ on de datos por parte de un solo actor. Gesti´ on de contrase˜ nas y autenticaci´ on: Utilizar gestores de contrase˜ nas (Bitwarden, KeePass) y habilitar la autenticaci´ on de dos factores (2FA) en las cuentas de Google, preferiblemente con una aplicaci´ on autenticadora (Google Authenticator, Authy) o llave de seguridad f´ ısica (YubiKey). Limitaci´ on de la huella digital: No compartir ubicaci´ on en tiempo real con Google Maps a menos que sea necesario; desactivar el historial de ubicaciones y el historial de b´ usquedas; usar el navegador en modo privado para b´ usquedas que no se deseen asociar al perfil. Pensamiento cr´ ıtico: No aceptar los primeros resultados de b´ usqueda como verdades incuestionables. Verificar las fuentes, especialmente en temas controvertidos o de salud. Ser consciente de las burbujas de filtro y buscar activamente puntos de vista divergentes. Responsabilidad de las empresas y organizaciones Las empresas que utilizan los servicios de Google (GCP, Workspace, Ads) tienen tambi´ en responsabilidades: Evaluaci´ on de riesgos: Antes de migrar a GCP o adoptar Google Workspace, realizar un an´ alisis de riesgos de privacidad, seguridad y dependencia. Considerar la estrategia de multi-nube o de respaldo local para mitigar interrupciones. Cl´ ausulas contractuales: Negociar con Google cl´ ausulas que garanticen la portabilidad de los datos, la notificaci´ on previa a cambios sustanciales en los t´ erminos de servicio, y la indemnizaci´ on por da˜ nos en caso de interrupci´ on injustificada. Abraham Zamudio 130 PIT: Python Basico

Sesion 1 Formaci´ on de empleados: Capacitar a los empleados
en el uso seguro y responsable de las herramientas de Google, incluyendo la identificaci´ on de phishing, la gesti´ on de permisos en Google Drive y la configuraci´ on de privacidad en las reuniones de Meet. Transparencia con los clientes: Si la empresa recopila datos de clientes a trav´ es de Google Analytics o servicios similares, debe informar claramente sobre el uso de cookies, la posibilidad de desactivaci´ on y el tratamiento de los datos por parte de Google. Responsabilidad de los gobiernos y reguladores Los gobiernos tienen la capacidad y el deber de establecer las reglas del juego: Leyes de competencia actualizadas: Adaptar las leyes antimonopolio a la econom´ ıa digital, considerando los mercados de datos y la interoperabilidad. La Digital Markets Act de la UE es un modelo que obliga a los guardianes de acceso (gatekeepers) a permitir la interoperabilidad y a no favorecer sus propios servicios. Leyes de privacidad ambiciosas: M´ as all´ a del GDPR, se necesitan leyes que proh´ ıban el rastreo por defecto, exijan el consentimiento expl´ ıcito para cada finalidad, y permitan a los usuarios el derecho a borrar sus datos de forma efectiva (derecho al olvido expandido). La ley de privacidad de California (CCPA/CPRA) sirve como referencia en EE.UU., pero se necesita una ley federal. Supervisi´ on algor´ ıtmica: Crear agencias independientes con capacidad t´ ecnica para auditar los algoritmos de las grandes plataformas, exigir la publicaci´ on de informes de impacto (sesgos, desinformaci´ on) y ordenar la modificaci´ on de aquellos que causen da˜ nos sist´ emicos. Inversi´ on en infraestructura alternativa: Para reducir la dependencia de Google, los gobiernos pueden financiar alternativas de c´ odigo abierto (por ejemplo, servicios de correo y colaboraci´ on basados en Nextcloud o Matrix) y promover su adopci´ on en el sector p´ ublico. Educaci´ on digital en el curr´ ıculo escolar: Incorporar la alfabetizaci´ on digital cr´ ıtica como asignatura obligatoria, ense˜ nando a los estudiantes a buscar informaci´ on de manera efectiva, evaluar fuentes, proteger su privacidad y comprender el funcionamiento b´ asico de los algoritmos. Responsabilidad de Alphabet Finalmente, Alphabet debe asumir su responsabilidad como actor dominante: Transparencia radical: Publicar informes detallados sobre el rendimiento de sus algoritmos de b´ usqueda y recomendaci´ on en t´ erminos de diversidad, sesgo y exactitud. Abrir sus datos de entrenamiento (anonimizados) para la investigaci´ on independiente. Privacidad por defecto: Cambiar la configuraci´ on predeterminada de todos los servicios para que recopilen la m´ ınima cantidad de datos necesaria para su funcionamiento, Abraham Zamudio 131 PIT: Python Basico

Sesion 1 y ofrecer opciones claras y sencillas para que
los usuarios que lo deseen activen la personalizaci´ on. Eliminar el almacenamiento de ubicaciones hist´ oricas por defecto. Competencia leal: Dejar de favorecer sus propios servicios en los resultados de b´ usqueda y en los rankings de la Play Store. Permitir a los desarrolladores usar sistemas de pago alternativos sin penalizaciones. No utilizar los datos de los clientes de GCP para competir con ellos. Seguridad y solidez: Invertir en la resiliencia de sus sistemas para minimizar las interrupciones y garantizar copias de seguridad exportables. Dar avisos con al menos 24 meses de antelaci´ on antes de discontinuar un producto, y ofrecer herramientas de migraci´ on. IA responsable: Establecer un comit´ e de supervisi´ on independiente para la IA, con poder de veto sobre modelos que no cumplan con los est´ andares de seguridad y equidad. Comprometerse a no desarrollar armas aut´ onomas ni sistemas de vigilancia masiva. Apoyar la creaci´ on de un organismo internacional de control de la IA. Contribuci´ on fiscal justa: Pagar impuestos en los pa´ ıses donde genera ingresos, no solo donde tiene sede fiscal. Publicar informes pa´ ıs por pa´ ıs de beneficios e impuestos pagados. La responsabilidad ´ ultima: una ciudadan´ ıa informada y activa M´ as all´ a de las acciones de los actores institucionales, la responsabilidad ´ ultima recae en una ciudadan´ ıa informada, cr´ ıtica y activa. La tecnolog´ ıa no es neutral, pero tampoco es un destino ineludible. Los ciudadanos pueden elegir a sus representantes pol´ ıticos bas´ andose en su posici´ on sobre la regulaci´ on tecnol´ ogica; pueden apoyar a organizaciones que defienden los derechos digitales (Electronic Frontier Foundation, Access Now, Fundaci´ on Karisma); pueden boicotear productos que violen su privacidad y promover alternativas ´ eticas; pueden exigir transparencia en los algoritmos que toman decisiones sobre sus vidas (cr´ editos, empleos, seguros). La historia muestra que los grandes poderes han sido contrarrestados cuando la sociedad civil se organiza y exige cambios. La era de Google no tiene por qu´ e ser una era de sumisi´ on tecnol´ ogica; puede ser una era de empoderamiento, si se ejerce la responsabilidad colectiva. Conclusi´ on final Alphabet, la empresa detr´ as de Google, es uno de los fen´ omenos m´ as complejos y transformadores de nuestra ´ epoca. Ha llevado la informaci´ on y la comunicaci´ on a niveles nunca imaginados, ha acelerado la innovaci´ on tecnol´ ogica y ha creado valor econ´ omico inmenso. Pero tambi´ en ha acumulado un poder sin control, ha vulnerado la privacidad de miles de millones de personas, ha distorsionado la competencia y ha generado riesgos sist´ emicos. El futuro no est´ a escrito; depende de las decisiones que tomemos hoy como sociedad. La tecnolog´ ıa no es un fin en s´ ı misma, sino un medio para el bienestar humano. Que ese medio se utilice para liberar o para oprimir es una cuesti´ on pol´ ıtica, no t´ ecnica. Alphabet tiene la oportunidad de liderar un cambio hacia un capitalismo digital m´ as responsable, pero solo si la presi´ on social, Abraham Zamudio 132 PIT: Python Basico

Sesion 1 regulatoria y competitiva se lo exige. Como usuarios,
ciudadanos y profesionales, tenemos el deber de informarnos, de actuar y de no dar por sentado que el dominio de Google es inevitable o deseable. La conclusi´ on de este art´ ıculo es, por tanto, una llamada a la acci´ on: no basta con analizar, hay que transformar. El futuro de la sociedad en la era de Google est´ a en nuestras manos. Abraham Zamudio 133 PIT: Python Basico

Lectura 1 (PIT : Python Basico)

Lectura 1 (PIT : Python Basico)

More Decks by Abraham Zamudio

Other Decks in Education

Featured

Transcript