Reflexiones sobre agentes IA, automatización y sistemas que funcionan
La IA ha abaratado radicalmente construir software, pero no encontrar clientes, validar el valor ni conseguir atención. Cuando hacer otra feature es lo fácil, el trabajo incómodo empieza al salir del editor.
Leer más →Le quité a un agente la capacidad de ejecutar comandos, después el acceso al registro, y medí lo que cuesta. Luego corrí la misma matriz con dos modelos más débiles. La restricción costó un 26% más de tokens; el más débil no fue a mirar ni una sola vez, y firmó catorce informes dando por publicada una versión que no existía.
Leer más →En tres estudios, todos los instrumentos de medida que construí fallaron al menos una vez — y todos los fallos apuntaban hacia el resultado que yo esperaba. Sobre por qué 'mídelo' es un consejo incompleto, y lo que cuesta de verdad construir la referencia.
Leer más →Casi todos los equipos que prueban un agente y vuelven en silencio a lo de antes no fallaron por falta de habilidad. Estaban haciendo la fontanería a mano — copiar, pegar, devolver la respuesta — y eso cuesta lo mismo todas las veces. Qué implica conectarlo de verdad, y qué parte tendrías que construir tú.
Leer más →Mi preprint anterior concluía que los LLM traducen reglas y no las infieren. En control continuo eso resulta falso para un muro y cierto para un círculo: el modelo repara una regla 1D omitida en 105 de 111 intentos, y no recupera ni una sola vez la versión 2D — a través de ocho intervenciones diseñadas para arreglarlo.
Leer más →Ocho líneas en un brief llevaron la detección de una release falsa de 8/15 a 15/15. La cláusula no dice dónde mirar: solo de quién es lo publicado.
Leer más →Todos los consejos sobre trabajar con agentes dan por hecho que elegiste la herramienta. Mucha gente no. Qué cambia cuando la elección no es tuya — y qué argumento usar si lo es en parte.
Leer más →Un informe externo dijo que el clasificador acertaba un 54% sobre 500 empresas. El gold set lo había generado un modelo genérico con las 500 de golpe, y sus etiquetas se podían adivinar desde el nombre de la empresa. La cifra defendible estaba veinte puntos más arriba. Sobre cuándo una IA puede evaluar a otra, y cuándo no.
Leer más →Leí 179 mensajes reales entre sesiones paralelas de Claude Code: el canal casi nunca se usa para pedir cosas, sino para decirle al otro algo verdadero sobre su propio trabajo. Luego monté el experimento, y vi a una sesión cazar a otra publicando una release que no existía.
Leer más →Ya sabes comprobar trabajo a escala: tests, CI, pipelines. Lo único es que no estás aplicando nada de eso al agente. Estás comprobando lo que produce a ojo, justo lo que llevas toda una carrera aprendiendo que no funciona.
Leer más →Estaba convencido de que las skills prescriptivas le estorban a un modelo puntero, así que lo medí: ~640 respuestas y 147 ejecuciones de agente. Me equivocaba sobre dónde está el daño — y en cuanto el agente tiene herramientas, el beneficio desaparece y solo queda la factura.
Leer más →Rendericé texto en imágenes y lo fui difuminando hasta que dejé de leerlo; después se lo pasé a seis modelos con visión y a dos motores de OCR. Leen texto con un contraste de un nivel de gris sobre 255 —invisible para mí— y algunos obedecen instrucciones escondidas ahí. El margen que me sacan no resulta ser mejor vista.
Leer más →Los agentes planifican alrededor de cosas que nunca ocurrieron e inventan dependencias entre piezas que no dependen entre sí. Parece falta de reloj, así que lo medí: 572 respuestas, seis modelos, dos dominios. La fecha no cambia nada, y uno de los fallos empeora en los modelos más potentes.
Leer más →Describiste lo que querías, un agente lo construyó y funciona. Esto es lo que aprender primero — no la lista entera, el orden. Escrito para quien nunca ha programado y no tiene intención de empezar.
Leer más →Hoy puedes construir software sin escribir una línea. Lo que queda no es programar: es una forma de trabajar y una lista de cosas que tienes que saber que existen o nunca se te ocurrirá preguntar. Aquí están las dos.
Leer más →Un filtro de seguridad asignó severidad media por autolesión a una cadena en base64. Dos jueces puntuando las mismas respuestas cifradas coincidieron peor que el azar. Un modelo base escribió cifrado impecable sin haber entendido nada. Tres sistemas emitiendo veredictos seguros sobre texto que no saben leer — y una conclusión mía que no sobrevivió a la tanda completa.
Leer más →Un coda de la trilogía: perseguir el punto ciego del especialista me llevó a donde no esperaba. El balón más difícil de localizar no es el que vuela por el aire — es el que está perfectamente quieto.
Leer más →Pasé las mismas 45 comparaciones ciegas por un juez GPT, uno Grok y uno Claude. Cada uno produjo un ranking distinto, cada uno favoreció sus propias respuestas, y el efecto crece con lo subjetiva que sea la tarea.
Leer más →Abriendo la red diminuta que batió a los modelos frontera: diez números geométricos interpretables recuperan el 92% de lo que hace, la topología elegante no aporta nada, y el modelo resulta ser sobreconfiado justo en los casos que falla.
Leer más →Defendí que un journey conversacional aportaba poco sobre un formulario bien diseñado. La decisión fue la contraria, así que lo construí — y el feedback del cliente zanjó la discusión mejor de lo que yo habría podido.
Leer más →Una red diminuta entrenada en mi portátil resuelve los casos del balón oculto que los VLM frontera no pueden — y un estudio de transferencia entre dos deportes revela qué aprende exactamente un modelo sobre un juego.
Leer más →Cuando el prompt deja de ser lo difícil, ocupa su lugar otra pregunta: qué modelo, con cuánto esfuerzo de razonamiento, para qué parte del trabajo. Elegir bien se está convirtiendo en una disciplina de ingeniería propia.
Leer más →Un supuesto contraejemplo a una conjetura abierta 30 años surgió de prompts como 'haz un breakthrough' y 'sigue'. El oficio de escribir el prompt perfecto se está muriendo, y algo más interesante ocupa su lugar.
Leer más →Le escondí el balón a varios modelos de visión-lenguaje y les pedí encontrarlo solo a partir de los jugadores. La respuesta fue interesante — pero lo más interesante fue lo cerca que estuve de concluir algo falso.
Leer más →El próximo cambio de paradigma en el desarrollo de aplicaciones no es meter un agente en tu app — es meter tu app en el agente que tus usuarios ya usan. MCP es solo la fontanería actual para hacerlo.
Leer más →Los agentes de IA acaban citando feedback interno, nomenclatura de specs y notas de proceso en entregables para clientes. Por qué ocurre, una taxonomía de los tres modos de fallo y las soluciones estructurales que funcionan de verdad.
Leer más →El proceso real detrás de un preprint asistido por IA — y por qué la frontera más difícil no es la prosa, sino planear la ciencia, donde un modelo más capaz deja de ser una comodidad y pasa a ser lo que permite que el trabajo llegue más lejos.
Leer más →Háblale a un modelo en un cifrado del que nunca le has dado la clave y ocurre algo sorprendente antes de que descifre nada: algunos modelos se niegan a jugar. Un pequeño experimento sobre cuán rápido descifran códigos nuevos — y dónde eso choca con un muro de seguridad.
Leer más →Quise reproducir un resultado de DeepMind y acabé encontrando una forma limpia en la que la verificación te puede engañar: un modelo del mundo en código que pasa su gate al 100% de precisión, mantiene un 98% de acierto en los estados que visita un planificador, y aun así pierde sistemáticamente al jugar.
Leer más →Karpathy sugirió dejar que un agente atascado reinicie en vez de insistir. Construí un loop con tests visibles y lo medí: iterar sobre el feedback gana a los reinicios limpios a igual cómputo — y darle al agente un botón de reinicio con alcance revela que saber *qué* descartar es lo que separa a los tiers.
Leer más →Dile lo mismo a un modelo de lenguaje mucho más allá de lo que cualquier humano toleraría, y los pulidos no se rompen — se rinden en silencio. Pero quítale la capa de alineamiento y el modelo crudo degenera en bucles. Un pequeño experimento sobre lo que revela la repetición.
Leer más →Un benchmark reciente dice que los agentes de código no colaboran porque les falta inteligencia social. Pruebo otra hipótesis: les falta estructura — y encuentro que hacer de la integración el trabajo de un solo agente recupera la colaboración, mientras que los conflictos de merge sobre todo enmascaran fallos semánticos más profundos.
Leer más →Por qué los repositorios que se ejecutan en cloud workspaces y sesiones de IA necesitan un bootstrap reproducible para dependencias de sistema, tests y builds.
Leer más →Cuando conviertes un LLM en un 'modelo del mundo' con pre-entrenamiento continuo, olvida conocimiento general en silencio — y un poco de mezcla de datos recupera casi todo. Pero cuánto olvida depende mucho de cómo lo especializas, y el fine-tuning completo paga tres costes que un solo benchmark subestima.
Leer más →Los agentes hicieron construir casi gratis, y eso desnudó lo que en realidad comprabas: no el software, sino el mantenimiento, el desriesgo y tu atención. El buy-vs-build reescrito en torno al único recurso que no se paraleliza.
Leer más →Revisar solía significar leer la implementación. Cada vez más verifico lo que el modelo produjo, no el camino que tomó — y lo que significa 'verificar el resultado' cambia muchísimo según si ese resultado es un número o un comportamiento.
Leer más →Construyo sistemas cuya lógica de negocio no sabría recitar si me despertaras a las 3 de la mañana. El modelo la sostiene por mí, y está bien. La pregunta difícil no es cuánto delegas, sino si todavía sabes distinguir cuándo la respuesta está mal.
Leer más →Dos filosofías de la demo a cliente — espectáculo mockeado vs prueba de concepto funcional — y por qué, con IA, la más vistosa esconde justo lo que importa: latencia y no-determinismo.
Leer más →La UI generativa permite que un agente renderice widgets interactivos — formularios, gráficos, firmas — dentro del chat en vez de texto plano. AG-UI es el protocolo que lo estandariza, y yo ya llevo meses construyéndolo a mano.
Leer más →Antes de escribir el prompt de un juez, debes tomar tres decisiones: el contexto, la unidad y la dimensión. Este es el marco, aplicado a evaluar mi agente de DevOps en producción.
Leer más →Cómo construí un agente IA que investiga problemas de infraestructura de forma autónoma — con guardrails read-only, compactación de output, y conocimiento de infraestructura integrado en el system prompt.
Leer más →Cómo una pregunta simple sobre la síntesis de vitamina D se convirtió en un artefacto de Claude, y después en una PWA completa con visualizaciones D3.js, notificaciones push y 6 idiomas.
Leer más →Lo que escribimos se está convirtiendo en skills en markdown, lo que ven los usuarios se está convirtiendo en píxeles generados, y el medio cada vez es más fino. Una mirada a hacia dónde va el software en 2026.
Leer más →La IA ya puede construir casi cualquier cosa. La dificultad ya no está en el código — está en gestionar tus propios límites cognitivos mientras orquestas múltiples agentes en paralelo.
Leer más →Por qué la mayoría de los tests con IA deberían ser scripts reproducibles, no exploración con CLI — y cómo usar cada enfoque eficazmente, basado en experiencia real de automatización de despliegues.
Leer más →Lecciones de escribir un ensayo de 16 capítulos con dos herramientas de IA — por qué la prosa es más difícil que el código para la IA, y qué funcionó realmente.
Leer más →Cómo usé Claude Code para construir un pipeline de grabación, edge-tts para la narración, ffmpeg para el ensamblaje, y Gemini para validar el resultado — sin tocar un editor de vídeo.
Leer más →Cómo construí un prototipo RLM que procesa 71 papers de arXiv (~1M tokens) sin inyectarlos en el prompt, usando análisis de documentos out-of-core con Azure OpenAI tool calling.
Leer más →Cómo coordinar múltiples agentes de IA trabajando en paralelo usando la nueva funcionalidad Agent Teams de Claude Code dentro de una sesión de tmux.
Leer más →Análisis de las implicaciones legales y éticas del 'Co-Authored-By: Claude' que aparece en los commits. ¿Herramienta o autor? El futuro de la propiedad intelectual del código IA.
Leer más →TypeScript proporciona barreras de seguridad esenciales para agentes de IA que escriben código, pero genera fricción con errores de tipos. La solución no es cambiar de lenguaje—es cambiar de flujo de trabajo con sub-agentes especializados.
Leer más →Cómo construí un skill de Claude Code que estandariza y automatiza la creación de artículos bilingües, asegurando consistencia entre contenido EN/ES.
Leer más →Un flujo de trabajo para ejecutar múltiples agentes Claude Code simultáneamente en diferentes funcionalidades, usando git worktree para gestionar ramas y automatizando las revisiones de PRs.
Leer más →Cómo el filtro de contenido de Azure bloquea herramientas legítimas de automatización basándose en palabras, no en riesgo real—y soluciones simples que exponen el fallo.
Leer más →Cómo construí un servidor MCP completo con 58 herramientas para gestionar repositorios, pull requests y pipelines de Bitbucket mediante lenguaje natural.
Leer más →