Más contenido sobre aplicaciones a medida, tendencias en inteligencia artificial y estrategias efectivas para proyectos tecnológicos exitosos.

Prompts claros para GPT-5

Prompting es el arte de dar instrucciones precisas a un modelo de lenguaje como GPT-5 para guiar su respuesta. Un prompt puede ser una pregunta, una orden o unas palabras clave, y la forma en que lo redactas puede cambiar radicalmente la calidad, el tono y la utilidad del resultado. Con GPT-5 la diferencia es especialmente notable: el modelo es extremadamente obediente y preciso, por lo que tiende a ejecutar literalmente lo que se le pide. Eso significa que un prompt vago o contradictorio puede descarrilar por completo la salida, mientras que un prompt bien diseñado permite obtener resultados muy exactos y útiles.

La evolución desde GPT-3.5 hasta GPT-5 no ha sido solo cuestión de potencia bruta sino de afinar cómo piensan estos modelos, cómo siguen instrucciones y cómo interactúan con nosotros. GPT-3.5 ofrecía textos con apariencia humana pero a veces priorizaba la fluidez sobre la exactitud y requería mucha experimentación. GPT-4 mejoró el razonamiento y la gestión de contexto, e introdujo capacidades multimodales en algunas versiones. GPT-5, en cambio, aporta un razonamiento más estructurado, mejor manejo de multitarea y una mayor fidelidad a las instrucciones, siendo especialmente útil en flujos que combinan texto e imagen y en tareas de programación, análisis y generación de agentes IA.

Para sacar el máximo partido a GPT-5 conviene entender tres cualidades clave del modelo: precisión, capacidad multimodal y profundidad de razonamiento. Estas fortalezas implican que un prompt genérico como ayuda con ciberseguridad producirá una respuesta amplia y poco enfocada. Un prompt más útil sería: Actúa como consultor de ciberseguridad y explica tres técnicas comunes de phishing en lenguaje no técnico, adecuado para una audiencia empresarial en menos de 300 palabras. En ese ejemplo se establece el rol, el formato y las limitaciones, elementos que GPT-5 utiliza para ajustar su salida.

Al redactar prompts, sigue estas reglas prácticas: sé explícito y estructurado, indica el formato deseado, usa roles o personajes para definir la perspectiva, descompone tareas complejas en pasos y añade ejemplos o restricciones si buscas un estilo concreto. Algunos modificadores instructivos muy útiles para guiar a GPT-5 son: Se breve para respuestas concisas y rápidas; Piensa en profundidad para activar un modo de razonamiento más elaborado; Piensa paso a paso para que desgloses la solución en etapas; Desafía tus suposiciones para fomentar reflexión crítica.

En nivel avanzado puedes usar meta prompting, pedir al propio GPT-5 que mejore tu prompt o que lo revise antes de ejecutarlo. Por ejemplo: Eres un ingeniero de prompts. Revisa este prompt y sugiere mejoras: Actúa como experto en automatización y diseña un flujo de procesos. También controla la extensión de la respuesta solicitando resúmenes breves o detallados y estableciendo límites de palabras, por ejemplo pide un resumen en menos de 100 palabras y añade Se breve.

Aplicaciones prácticas y casos de uso en la empresa: para equipos de desarrollo y producto, GPT-5 es ideal generando especificaciones, esbozos de arquitectura y fragmentos de código cuando el prompt define claramente el lenguaje, las dependencias y el formato de salida. Para departamentos de negocio y analítica, pedir un informe ejecutivo, una lista priorizada de KPIs o un plan de despliegue con hitos temporales mejora la utilidad de la respuesta. En proyectos que combinan IA y sistemas empresariales, la capacidad multimodal de GPT-5 permite integrar documentación, diagramas y capturas para obtener análisis más ricos.

La economía digital está experimentando una transformación acelerada por el auge de los modelos de lenguaje a gran escala. Creadores de contenido, bloggers e influencers que durante años construyeron negocios sobre contenido humano ven cómo cambian las reglas del juego. Antes los usuarios buscaban en Google, visitaban blogs y leían artículos, generando tráfico que se monetizaba con anuncios, afiliados y patrocinios. Hoy muchos usuarios recurren directamente a herramientas de inteligencia artificial para obtener respuestas inmediatas, lo que reduce visitas y erosiona las fuentes tradicionales de ingresos.

Los LLMs ofrecen una ventaja competitiva clara: información instantánea, respuestas conversacionales y ausencia de anuncios intrusivos. Estos modelos condensan grandes volúmenes de datos y entregan respuestas claras y personalizadas al momento. Para un usuario es más rápido preguntar a un agente IA que navegar entre múltiples artículos. Ese cambio de hábito impacta directamente la economía del creador de contenido, disminuyendo impresiones, clics y conversiones derivadas del tráfico web.

El efecto económico sobre creadores independientes y pequeñas publicaciones puede ser severo. Blogs que antes recibían miles de visitas ven cómo esas audiencias migran a soluciones basadas en IA. Aun produciendo buen contenido, muchos creadores encontrarán difícil sostener sus ingresos con métodos tradicionales. Esto podría acelerar la consolidación del ecosistema digital, dejando operar de forma competitiva sólo a empresas con recursos para integrar IA a gran escala y optimizar sus modelos de negocio.

Además existe un riesgo de realimentación que amenaza la calidad informativa del internet. Los LLMs se entrenan con datos públicos, incluidos blogs y noticias. Si la creación humana disminuye, los modelos acabarán entrenando sobre datos cada vez más sintéticos generados por otras máquinas. Con el tiempo esto puede llevar a contenidos repetitivos, homogéneos y de menor diversidad, degradando el valor informativo que caracterizó la web abierta.

La diversidad del contenido humano es una fortaleza difícil de replicar. Perspectivas personales, matices culturales y experiencias únicas enriquecen la conversación online. Los modelos de IA siguen patrones y probabilidades y, sin intervención humana, tienden a perpetuar sesgos y fórmulas estándar. Para preservar un ecosistema rico y plural será necesario fomentar la creación humana y diseñar sistemas de IA que complementen, no sustituyan, esas voces.

Frente a este panorama surge una pregunta clave: pueden competir los humanos con la automatización masiva de contenidos o deben reinventarse? La respuesta pasa por la adaptación. Creadores y empresas pueden apostar por contenidos de alto valor diferencial: análisis únicos, narrativas personales, investigación original y materiales con profundidad técnica o emocional que la IA no replica con la misma autenticidad.

En defensa de C++: C++ suele recibir críticas por su complejidad, su curva de aprendizaje y por la idea de que permite al desarrollador cometer errores graves. Estas críticas tienen parte de verdad, pero también están fuera de contexto cuando se considera la historia, evolución y el ecosistema actual del lenguaje. C++ es una herramienta poderosa y versátil que, con buenas prácticas, resulta ideal para proyectos de alto rendimiento y control fino de recursos.

Complejidad versus control. C++ ofrece una enorme variedad de mecanismos para resolver un mismo problema, desde programación procedural hasta paradigmas orientados a objetos y funcionales. Eso puede intimidar, pero también permite elegir el nivel de abstracción adecuado. No hace falta dominar plantillas avanzadas, sobrecarga de operadores o metaprogramación para escribir código limpio y mantenible. La clave es priorizar la legibilidad y la sencillez, evitar la optimización prematura y usar la biblioteca estándar y smart pointers para gestionar memoria de forma segura.

No está desfasado. Aunque C++ nació en 1985, ha evolucionado continuamente. Los estándares recientes como C++20 y C++23 han incorporado módulos, concepts, ranges y coroutines, acercando al lenguaje paradigmas modernos. Esa evolución mantiene a C++ relevante en dominios donde el rendimiento y el control son críticos, como motores de juego, navegadores, sistemas embebidos y plataformas financieras.

Seguridad y memoria. La comparación con Rust sobre seguridad de memoria es válida: Rust reduce errores mediante su sistema de borrowing. Sin embargo, muchas migraciones a Rust mejoran el software no solo por el lenguaje sino por la oportunidad de rediseñar la arquitectura durante la reescritura. C++ puede ser seguro si se aplican buenas prácticas: smart pointers, sanitizers, análisis estático y políticas de revisión de código ayudan a evitar fugas y punteros colgantes. Existen herramientas y bibliotecas que elevan la seguridad sin renunciar al control.

Legibilidad y estilo. C++ permite escribir desde código muy simple hasta construcciones altamente expresivas. Si la prioridad es la claridad, conviene seguir un estilo cercano a C, aprovechar la STL y evitar características complejas hasta que sean realmente necesarias. C++ permite comenzar con un estilo sencillo y, cuando el proyecto lo pida, introducir abstracciones más poderosas.

En entornos de edge computing la actualización remota de dispositivos es crítica. KubeEdge ofrece una solución práctica para la gestión de dispositivos IoT y OTA que supera las limitaciones del modelo de nube tradicional, que presupone conexiones estables y de alto ancho de banda. En la práctica la conectividad puede ser intermitente y Kubernetes estándar no está optimizado para entornos de borde, por eso KubeEdge divide la plataforma en dos planos lógicos: CloudCore y EdgeCore.

CloudCore se ejecuta en la nube y se encarga de la gestión centralizada: políticas de recursos, modelos de dispositivo, definiciones personalizadas de recursos CRD para firmware y operaciones, y orquestación de despliegues. EdgeCore se ejecuta en el dispositivo de borde y permite la ejecución autónoma de cargas, gestión del estado del hardware y operaciones persistentes incluso cuando se pierde la conexión con la nube. La comunicación entre ambos se realiza mediante canales seguros como MQTT o WebSocket sobre TLS, con sincronización de estado y mensajes de control orientados a resiliencia.

La capacidad OTA de KubeEdge se articula en varias capas complementarias: 1) OTA para aplicaciones containerizadas: las aplicaciones desplegadas como workloads de Kubernetes se actualizan de forma declarativa mediante manifests y rolling updates gestionados por k8s; 2) OTA de firmware: mediante CRD de dispositivo se establece la versión de firmware deseada en la especificación del dispositivo, EdgeCore o mapeadores personalizados descargan binarios, validan checksums y reportan el estado a CloudCore; 3) OTA de nodo: actualizaciones del propio sistema de borde como EdgeCore, runtimes CRI (containerd, cri-o), drivers GPU o componente de plataforma, soportado por mecanismos como NodeUpgradeJob introducido a partir de la versión 1.19 y por procesos de orquestación que garantizan rollback y reporting de estado.

En implementaciones reales la actualización física masiva es inviable por coste y tiempo. Imagínese enviar técnicos a actualizar 10000 sensores industriales o kioscos de venta distribuidos en 500 tiendas. Sin OTA centralizado esas operaciones no serían factibles. KubeEdge reduce el riesgo y el coste al permitir gestión remota, descargas diferidas según conectividad y verificación de integridad antes de aplicar cambios.

Caso práctico Smart Retail Kiosk Fleet: una cadena de tiendas desplegó 2000 kioscos con capacidades de visión y pagos. La solución usó despliegues containerizados para servicios de visión y checkout, CRD para control de firmware de MCU y NodeUpgradeJob para actualizaciones del runtime en dispositivos con GPU. Las actualizaciones se probaron en un piloto, se aplicaron por oleadas y los kioscos mantuvieron operaciones críticas aun con conectividad intermitente. El resultado fue menor tiempo de inactividad, menores costes de mantenimiento y despliegue continuo de mejoras de seguridad y modelos de IA en el edge.

Integración con CI CD y repositorios: el flujo habitual incluye CI CD que construye y publica imágenes en registros como Harbor ECR o GCR, luego un kubectl apply o set image dispara el despliegue en Kubernetes. CloudCore recibe la intención y sincroniza con EdgeCore que solicita imágenes al runtime containerd y aplica las actualizaciones localmente. Para firmware la logística incorpora descargas firmadas, validación por checksum y etapas de rollback para proteger la operación de campo.

En Q2BSTUDIO diseñamos e implantamos soluciones OTA end to end para dispositivos de borde, combinando experiencia en desarrollo de software a medida, integración con servicios cloud y seguridad operacional. Podemos desarrollar desde la capa de dispositivos y firmware hasta los servicios cloud que controlan la flota, y también integrar capacidades de inteligencia artificial para inferencia en el edge y agentes IA para automatización. Si busca una solución personalizada podemos encargarnos del desarrollo integral como parte de nuestros servicios de aplicaciones a medida y software a medida y de la integración con plataformas cloud. Conectamos las actualizaciones OTA con pipelines CI CD y registros seguros, y aplicamos auditorías de ciberseguridad para mitigar riesgos.

Ofrecemos además soporte en servicios cloud y migración a plataformas públicas, por ejemplo integraciones con AWS IoT y Azure IoT Hub que facilitan la gestión centralizada y la telemetría necesaria para operaciones OTA. Si necesita desplegar OTA en su parque de dispositivos podemos ayudarle a definir la arquitectura, implementar la lógica de actualizaciones y monitorizar la salud de los nodos mediante dashboards y servicios de inteligencia de negocio como Power BI. Con Q2BSTUDIO su proyecto contará con experiencia en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi para mejorar resultados y reducir riesgos.

Seamos claros. Hoy todas las empresas miran la inteligencia artificial y se plantean por qué invertir ahora. El 80% de las empresas considera que la IA será crítica en los próximos 5 años. El 92% de las firmas Fortune 500 aumenta inversión en IA para productividad. La adopción de IA puede aumentar márgenes de beneficio entre 5 y 10% y reducir costes hasta 20%. El 60% de los empleados cree que la IA reduce tareas repetitivas y el 70% de las organizaciones todavía sufre con datos aislados sin una solución de IA que los unifique.

La gran pregunta que se hacen los equipos tecnológicos es construir o comprar. Construir una solución propia sobre un LLM suena atractivo: elegir un modelo, montar APIs, añadir una base de vectores, capas de seguridad, infra y conectar Jira, Confluence, Slack, ServiceNow, SharePoint, Zoom, Salesforce, etc. La realidad es que la gestión de infra consume meses, la seguridad y permisos IAM complican el panorama, cada conector suma trabajo de desarrollo y la escalabilidad, monitorización y cumplimiento recaen sobre el equipo interno.

Amazon Q Business aparece como alternativa para evitar esa carga operativa. Es un asistente generativo gestionado para empresas que ofrece desde el inicio una experiencia sin servidores ni clústeres que gestionar, seguridad empresarial integrada, y conectores preconstruidos para el stack SaaS de la compañía.

Conectores y búsqueda unificada Q Business incluye más de 40 conectores preconfigurados para las herramientas que las empresas ya usan: Slack, Microsoft Teams, Zoom, Outlook, Jira, Confluence, SharePoint, ServiceNow, Salesforce, S3, RDS, GitHub y fuentes personalizadas. En vez de buscar en cinco sistemas, los empleados preguntan a Q y obtienen respuestas con contexto.

Más que respuestas, acciones Las extensiones y plugins permiten que Q no solo responda sino que actúe: crear tickets en Jira, generar solicitudes en ServiceNow, iniciar tareas en Asana o lanzar funciones en Lambda. Menos cambio de contexto y más ejecución directa desde el asistente.

Seguridad y controles Q Business respeta permisos a nivel de aplicación, se integra con proveedores de identidad como Okta o Azure AD, y permite configurar políticas, filtros de contenido y registros de cumplimiento. Solo se muestra al usuario lo que tiene autorización para ver.

Integración con datos y analítica La integración con Amazon QuickSight permite no solo consultar documentos sino también obtener cuadros de mando y ejecutar consultas ad hoc. Frases como mostrar desglose de gastos del mes pasado se traducen en respuestas extraídas de los dashboards.

Q Apps y rapidez de despliegue Administradores y usuarios avanzados pueden crear mini aplicaciones dentro de Q con solo un prompt, por ejemplo resumir issues de Jira por prioridad o configurar un flujo de trabajo para informes diarios, sin código ni infraestructura.

Las aplicaciones realmente útiles no son las que tienen botones bonitos sino las que permiten a los usuarios interactuar de forma efectiva. Los formularios son el lugar donde el usuario habla con la aplicación, y en SvelteKit esa conversación puede ser sencilla, accesible y robusta desde el primer momento.

SvelteKit propone empezar con formularios HTML tradicionales. Esa base funciona sin JavaScript, es accesible por defecto y maneja redes inestables con gracia. A partir de esa base sólida se aplica una mejora progresiva cuando JavaScript está disponible, de modo que la experiencia se siente tan fluida como una SPA sin renunciar a resiliencia.

Conceptos clave: usa form method POST para enviar datos, asegúrate de incluir name en cada campo para que el servidor reciba los valores, y usa required y type email como ayuda de UX pero nunca como única capa de seguridad. En el servidor define acciones que reciban request formData y validen los campos. Devuelve errores con el helper fail para inyectarlos de nuevo en la vista y preservar los valores ingresados por el usuario.

En SvelteKit las acciones viven en el archivo +page.server.js o +page.server.ts junto al +page.svelte. Una action por defecto recibe el POST cuando el formulario no especifica un nombre, extrae los campos con request.formData, valida y puede devolver either errores y valores o un objeto de éxito que SvelteKit inyecta en la propiedad form de la página.

Preservar valores tras un fallo es clave para una buena UX. Si la validación falla devuelve values con los datos del usuario y en la vista rellena los inputs con form values para evitar que el usuario tenga que reescribir textos largos.

La progresiva mejora se logra con use:enhance desde $app/forms. Con un solo atributo el envío se intercepta y se hace con fetch en lugar de recargar la página, pero si JavaScript está deshabilitado el formulario sigue funcionando de forma clásica. use:enhance permite además declarar callbacks antes y después del envío para mostrar estados pending o guardar spinners.

Para implementar estados de carga basta con activar una bandera al inicio del envío y en la callback que recibe update await update para aplicar la respuesta del servidor y desactivar la bandera. Esto permite deshabilitar botones y mostrar texto como Enviando o Guardando sin perder la inyección automática de errores o mensajes por parte del servidor.

Si quieres redirigir tras un POST exitoso usa el patrón Post Redirect Get. Desde la action lanza un redirect 303 a la ruta de gracias. Así evitas el reenvío accidental del formulario cuando el usuario refresca la página.

Los archivos se suben con enctype multipart/form-data. En el servidor llegan como objetos File. Para archivos pequeños leer arrayBuffer y procesar está bien, pero para producción es recomendable streamear directamente a disco o a un servicio de almacenamiento en la nube para evitar consumir memoria. Controla tamaño y tipo y sanitiza nombres antes de guardar.

Buenas prácticas resumidas: siempre validar en servidor, usar fail para devolver estado y valores, preservar inputs para buena experiencia, usar redirect 303 tras éxito cuando convenga, y aplicar use:enhance para mejorar sin romper el funcionamiento básico. Para uploads, limitar tamaño y usar almacenamiento especializado para producción.

Cansado de pelear con proxies, bloqueos o de escribir parsers complejos solo para obtener los datos que necesitas Vamos al grano Obtener datos web no tiene por qué ser una batalla En este artículo muestro cómo hacer tu primera petición con la Zyte API y describo tres funciones potentes que se encargan de las partes difíciles del scraping por ti

Preparación rápida Para empezar necesitas Python y la librería requests instalada También es buena práctica almacenar la clave de la API en una variable de entorno en lugar de incrustarla en el código Con eso listo la Zyte API ofrece un único endpoint para extraer contenido y varias opciones según lo que necesites

Función 1 Obtener HTML sin preocuparse por proxies Lo básico del scraping es recibir el HTML de la página Zyte se encarga de rotación de proxies, user agents y gestión de baneos por ti Con una sola petición puedes pedir el cuerpo de la respuesta HTTP y recibir el HTML listo para parsear Si la respuesta viene codificada en base64 solo hay que decodificarla y ya tienes el documento completo para pasar a Beautiful Soup o lxml Resultado Una petición y cero administración de proxies

Función 2 Renderizado de JavaScript con un solo parámetro Para páginas que cargan contenido por JavaScript no necesitas montar Selenium o Playwright Solo cambia el parámetro que pides a Zyte y la API renderiza la página en un navegador sin interfaz por ti Obtienes HTML ya procesado, sin instalaciones adicionales ni binarios de navegador, y evitas la fragilidad y el mantenimiento que implican las herramientas de automatización tradicionales

Función 3 Extracción automática y sin parsers Por qué escribir parsers si no hace falta Si tu objetivo son tipos de páginas comunes como productos, artículos o ofertas de empleo la API puede aplicar modelos que identifican y extraen campos clave y te devuelven un JSON estructurado Con esto obtienes nombre, precio, moneda, SKU, disponibilidad y más sin una sola línea de parsing manual Ideal para pipelines de datos a escala donde importa contar con un esquema consistente

Pruebas de Carga y Estrés en eCommerce con k6 y AWS Fargate: por qué son críticas para tu tienda online

En comercio electrónico el rendimiento no es un lujo, es una necesidad. Cada segundo de latencia puede traducirse en pérdidas reales: una sola demora de 1 segundo puede reducir las conversiones alrededor de 7%. Durante picos como Black Friday o ventas flash, pequeñas degradaciones en el rendimiento pueden multiplicar ese impacto. Las plataformas de eCommerce no solo muestran páginas estáticas, sino que gestionan búsquedas y filtrado de productos, verificaciones de inventario en tiempo real, carritos, pasarelas de pago y flujos de cumplimiento de pedidos, todo ello de forma concurrente. Por eso las pruebas de carga y estrés son indispensables para garantizar una experiencia rápida y fiable bajo demanda.

El reto de la escala en eCommerce no es comprobar que la plataforma funciona, sino que funcione de forma impecable cuando cientos o miles de compradores navegan y compran a la vez. Las pruebas end to end tradicionales son útiles para validar flujos funcionales para un usuario, pero no detectan cómo se comporta el sistema con miles de transacciones simultáneas. Limitaciones de CPU, memoria y ancho de banda en entornos locales impiden simular picos reales, y ahí es donde el testing distribuido con k6 y AWS Fargate marca la diferencia.

Qué es k6 y por qué usarlo: Grafana k6 es una herramienta de carga de código abierto orientada a desarrolladores que permite escribir scripts en JavaScript, integrarlos en pipelines CI CD y automatizar pruebas de rendimiento de APIs y sitios web. k6 Cloud ofrece una opción SaaS para evitar gestionar infraestructura, pero puede implicar costes y límites de uso, por eso muchas organizaciones optan por un despliegue autogestionado o híbrido con k6 sobre AWS ECS Fargate para mayor control y ahorro a gran escala.

Arquitectura recomendada con AWS ECS Fargate: usar contenedores k6 como generadores de carga independientes permite escalar desde decenas hasta cientos de instancias en múltiples regiones. Ventajas clave: arquitectura serverless sin gestionar EC2, escalabilidad masiva, control de costes al pagar solo por recursos usados, aislamiento por contenedor y alcance global para simular tráfico desde distintas regiones.

Resumen de implementación en alto nivel: 1 Preparar scripts k6 que reflejen jornadas reales de usuario incluyendo búsqueda, filtrado, gestión de carrito y pago. 2 Crear una imagen Docker optimizada que incluya extensiones útiles para métricas y envío a backends de monitorización. 3 Subir la imagen a Amazon ECR y definir una task definition para ECS Fargate con los roles IAM necesarios para descarga de imagen y envío de métricas a CloudWatch. 4 Desplegar múltiples tareas Fargate para generar la carga distribuida y orquestar el número de instancias según el objetivo de concurrencia. 5 Monitorizar en tiempo real CPU y memoria de tareas ECS, métricas de tu aplicación, latencias y errores para detectar cuellos de botella.

Recomendaciones prácticas y optimización de costes: usar entornos de staging para pruebas de carga y evitar impacto en producción; empezar con configuraciones de CPU y memoria mínimas y ajustar según la monitorización; considerar Fargate Spot para pruebas no críticas y automatizar la limpieza de tareas para evitar costes innecesarios. Asimismo supervisar la base de datos y las colas de mensajes porque suelen ser puntos de fallo bajo estrés. Implementar dashboards en CloudWatch y combinar métricas de k6 con telemetría de aplicación para obtener contexto completo.

Buenas prácticas de diseño de pruebas: modelar usuarios reales y patrones de tráfico, ejecutar tests desde varias regiones para simular compradores globales, incluir pruebas de endurance para detectar fugas de memoria y validar la elasticidad de la infraestructura ante aumentos repentinos de carga.

DevOps: Día 38 de 100 en Q2BSTUDIO. Hoy el equipo dedicó la jornada a probar funciones de aplicaciones containerizadas para el proyecto Nautilus. Como empresa de desarrollo de software y aplicaciones a medida, Q2BSTUDIO combina experiencia en software a medida, inteligencia artificial, ciberseguridad y servicios cloud aws y azure para ofrecer soluciones completas.

Objetivo y contexto: preparar en App Server 3 una imagen Docker concreta basada en busybox:musl y retitularla para el proyecto. Primer paso: descargar la imagen. Se ejecutó el comando docker pull busybox:musl para bajar la imagen desde Docker Hub y dejarla disponible en el servidor local. Tras la descarga se validó con docker images que la imagen estaba en el repositorio local, mostrando busybox con etiqueta musl y su IMAGE ID.

Segundo paso: retaggear la imagen. Se creó una nueva etiqueta busybox:media con docker tag busybox:musl busybox:media. Volviendo a ejecutar docker images se confirmó que ambas etiquetas apuntaban al mismo IMAGE ID, lo que indica que la operación fue exitosa.