Notas
Textos cortos sobre la metodología y las decisiones arquitectónicas detrás de los sistemas de IA que entrego — specs, evals, orquestación multi-agente, integración de LLMs y la disciplina de dirigir agentes de codificación.
1 de julio de 2026
El «workslop» no es productividad. Es un impuesto.
La IA debía encargarse del trabajo tedioso. En muchos equipos hace lo contrario: genera resultados que parecen verosímiles y que alguien más abajo tiene que detectar, descifrar y rehacer. Los investigadores lo bautizaron «workslop», y los números son feos — el 53% de los oficinistas dice haberlo recibido, cada caso cuesta ~2 horas de arreglar, y envenena en silencio la confianza entre colegas. No es una ganancia de productividad. Es una transferencia de productividad — y alguien más abajo paga la cuenta.
- business
- methodology
19 de junio de 2026
El código que escribe el código
Anthropic ahora dice que más del 80% del código que se integra en sus propios sistemas lo escribe Claude — frente a un puñado de puntos porcentuales antes de 2025. Y este mes publicó un informe serio sobre la automejora recursiva: una IA que ayuda a construir la siguiente IA. Quita la ciencia ficción y queda un mensaje práctico para el resto de nosotros sobre hacia dónde se mueve el cuello de botella y qué disciplina exige.
- agents
- methodology
19 de junio de 2026
Ahora al modelo le hace red-team el gobierno
El organismo de estándares de IA de EE. UU. firmó acuerdos con Google DeepMind, Microsoft y xAI para evaluar sus modelos de frontera antes del lanzamiento público — y ya realizó más de 40 evaluaciones, algunas de modelos que el público nunca llegó a ver. El Reino Unido firmó acuerdos paralelos. Quita la política y queda una señal clara: a un modelo se lo conoce evaluándolo, no por las «sensaciones». Quédate con el patrón.
- security
- methodology
19 de junio de 2026
La aceleración con IA trae una factura de seguridad
Gartner dice que el 90% de los líderes de ingeniería reportan mejoras con las herramientas de IA para código — un aumento neto de productividad del 19%. La misma investigación dice que el código de IA sin revisar tiene un 23% más de densidad de bugs, y que el 14,3% de los fragmentos generados por IA cargan vulnerabilidades de seguridad frente al 9,1% del código escrito por humanos. Casi nadie imprime esas dos cifras en la misma frase. Deberías, porque son la misma historia.
- security
- methodology
15 de junio de 2026
No fue el modelo. Fueron tus datos.
La mayoría de los proyectos de IA fracasan — MIT descubrió que el 95% de los pilotos de IA generativa no produjeron ninguna ganancia medible, y RAND situó la tasa de fracaso general en torno al 80%. Cuando algo sale mal, el instinto es culpar al modelo: no es lo bastante listo, elegimos mal, malos prompts. Los datos dicen otra cosa. La causa de fracaso más citada es la mala calidad de los datos, y solo alrededor del 12% de las organizaciones tienen datos lo bastante limpios como para sostener IA siquiera. Lo más probable es que no tengas un problema de modelo. Tienes un problema de datos disfrazado de problema de modelo. Aquí te explico cómo distinguirlo.
- architecture
- methodology
15 de junio de 2026
«Resuelto» — pero querían un humano
A las empresas les encanta el número: nuestra IA resuelve sola el 76% de los tickets de soporte. Los clientes cuentan otra historia. A lo largo de 2026, la proporción de quienes preferirían hablar con una persona real subió al 85%, la frustración con los agentes de IA trepó al 59%, y más de la mitad abandonará incluso un chat resuelto solo con IA si el camino hacia un humano parece bloqueado. «Resuelto por el bot» y «cliente contento» no son lo mismo. Aquí está la métrica que probablemente te estás perdiendo, y cómo dejar de optimizar tu camino hacia una reacción en contra.
- business
- methodology