Entrada de tipo **Skill** (no un artículo): `grill-with-docs` de Matt Pocock es una técnica de entrevista estructurada que "somete a la parrilla" un plan de arquitectura confrontándolo metódicamente con el vocabulario de negocio del proyecto (el glosario `CONTEXT.md`) y las decisiones ya documentadas (ADRs). En lugar de precipitarse hacia la implementación, cuestiona las hipótesis una por una mediante un diálogo de preguntas y respuestas, depura la terminología, verifica la coherencia con el código real y registra las decisiones sobre la marcha en los artefactos adecuados. Una skill de diseño previo (upfront design), inspirada en el Domain-Driven Design.
Estudio de caso publicado por el **Cornell AI Innovation Hub** (15 de junio de 2026): cómo una colaboración de dos semestres entre el AI Hub, estudiantes de posgrado y el equipo de Tesorería de Cornell convirtió una investigación manual que consumía mucho tiempo en una herramienta de IA que **recuperó 100.000 $** en pagos no identificados en un primer lote. Un caso de uso exitoso de **AI4Business** (proceso financiero) que ilustra casi punto por punto el marco **Leader-Lab-Crowd** de **Ethan Mollick**: el **AI Hub** desempeña el papel de **Lab** (un equipo central y ambidiestro de tecnólogos más estudiantes); **Treasury** (Cheryl Barnes, Marie Graves…) es el **Crowd** que aporta el conocimiento del negocio y el punto de dolor real; y los **100.000 $** constituyen la **recompensa visible** (vivid win) que ancla la adopción — exactamente la palanca de incentivo que Mollick considera decisiva. Método clave: **"primero el contexto, luego el plan, luego la construcción"** mediante **Claude Code Plan Mode**, una cadena de **fuzzy matching → Gemini Enterprise Web Search → síntesis de Claude**, todo dentro del **Cornell AI Gateway** gobernado. *"Los 100.000 $ son un comienzo."*
#Cornell AI Innovation Hub#pagos no identificados#conciliación de pagos
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
Artículo educativo del **MindStudio Team** (blog de la plataforma MindStudio, orquestación de flujos de trabajo multimodelo) que explica los **modèles de langage par diffusion** (*Diffusion Language Models*) a través del caso de **Diffusion Gemma**, la primera implementación de **open weights** de Google (2.000 millones de parámetros, derivada de Gemma 2). La tesis: mientras que los modelos **autoregressive** (GPT-4, Claude, Gemma estándar) generan texto **token a token, de izquierda a derecha** (atención **causal**, cada token fijado una vez producido), los modelos de **diffusion** parten de una secuencia **enmascarada/con ruido** y la **refinan iterativamente** (masked diffusion / *absorbing diffusion*), con **atención bidireccional**: el modelo puede **revisar cualquier posición en cualquier paso**. Consecuencias: alto **paralelismo** (un texto de 500 tokens requeriría 50-100 pasos de eliminación de ruido en lugar de 500 pasadas secuenciales), **infilling** natural y **generación restringida** (relleno de plantillas, completado de código con contexto circundante), y capacidad de **revisión** integrada. Pero a la escala actual (2B), Diffusion Gemma **no iguala** a los grandes modelos autoregresivos (GPT-4o, Gemini 1.5 Pro) en razonamiento, seguimiento de instrucciones y conocimiento general: la brecha se está "cerrando" sin estar cerrada. La inspiración proviene de la generación de imágenes (Stable Diffusion, DALL-E abandonaron la autorregresión hace años); si el mismo principio se sostiene para el texto sigue siendo una pregunta abierta. Diffusion Gemma se distribuye en Hugging Face (Google DeepMind), AI Studio y Vertex AI.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Satya Nadella (Microsoft) teoriza sobre "el futuro de la empresa" en una economía impulsada por la IA: toda empresa deberá construir, junto a su capital humano (juicio, relaciones, reconocimiento de patrones), un "capital de tokens" — su capacidad de IA propietaria. El valor real no reside en elegir el mejor modelo, sino en un bucle de aprendizaje (evaluaciones privadas, entornos de RL, base de connaissances) que codifica el conocimiento institucional y se acumula con el tiempo. Un argumento a favor de un "ecosistema de frontera", no simplemente un "modelo de frontera", para que el valor se difunda en lugar de ser capturado por un puñado de modelos.
#futuro de la empresa#capital humano#capital de tokens
Hilo ensayístico polémico de Ahmad Osman (@TheAhmadOsman) en X, *"Anthropic's War on Opensource AI"* (1,7 M de visualizaciones). Tesis central: Anthropic convierte sistemáticamente la "seguridad" en un **mecanismo de control** (régimen de permisos, captura regulatoria, restricciones de acceso anticompetitivas, opacidad conductual) para mantener a los desarrolladores, startups y comunidades de código abierto **subordinados** a un puñado de laboratorios de vanguardia. Punto de anclaje central: el **incidente Fable** (degradación silenciosa de solicitudes de desarrollo de IA competidoras). Defensa del código abierto / la IA local como la única "economía política de la inteligencia" viable. Ámbito: política de IA, código abierto frente a laboratorios cerrados, soberanía, gobernanza.
Chris Williams (@voodootikigod) abre su serie ADLC argumentando que ejecutar el SDLC humano sobre modelos es un error de categoría: el ciclo clásico fue diseñado para contrarrestar los modos de fallo humanos (ego, fatiga, olvido) que están ausentes en los LLM. Cataloga ocho modos de fallo estructurales (F1-F8) y cinco propiedades explotables (E1-E5), y expone el principio fundacional: cada fase de un ciclo agéntico debe remontarse a un modo de fallo contra el que se defiende o a una propiedad que explota.
Segunda entrega de la serie ADLC de Chris Williams: despliega el ciclo que se deriva de la "primera ley" — ocho fases (P0 Triage → P7 Distill), una compuerta determinista entre cada par, y exactamente dos momentos humanos obligatorios (aprobación de la especificación en P1, aceptación conductual en P6). Principio clave: un traspaso LLM→LLM sin un punto de control determinista multiplica las tasas de error; y una distribución de costes en "barbell" (pesada en ambos extremos, ligera en el medio) que invierte la economía ágil.
#ADLC#ciclo agéntico de ocho fases#compuertas deterministas
Tercera entrega de la serie ADLC: Williams convierte el testing en la especificación en el único lenguaje que el builder no puede rebatir. Mientras que el TDD es una práctica de calidad opcional para código escrito por humanos, se convierte en el mecanismo de confianza estructural de todo el ciclo de vida en cuanto los agentes escriben el código. Tres reglas de "disciplina de raíles": contextos de autoría separados (agentes solo-specs antes de la implementación), congelación mecánica a nivel de herramienta (no de prompt) y auditorías adversariales ("¿falla un test si se elimina la funcionalidad?"). Se prefiere el mutation testing frente al porcentaje de cobertura, que es Goodhart-able a velocidad de máquina.
Cuarta entrega de la serie ADLC: Williams replantea la revisión de código como una "acusación" adversarial en lugar de una evaluación colaborativa. Encarga a los agentes que refuten ("encontrar qué está mal"), despliega revisores de lente única con contextos nuevos (corrección, seguridad, cumplimiento del contrato, alineación con la especificación, calidad de las pruebas), actúa solo sobre hallazgos verificados (reproducidos mediante una prueba que falla) y repite el ciclo hasta que dos pasadas consecutivas arrojen cero hallazgos. Mide la calibración plantando errores conocidos, al estilo de las pruebas de mutación. Puerta de salida: cero hallazgos abiertos, dos pasadas en seco, pruebas en verde, diff de pruebas vacío.
Quinta entrega de la serie ADLC: orquestación de agentes en paralelo sin "merge hell". Williams plantea tres parámetros acoplados —coste (selección de modelo), tiempo real (amplitud de paralelización) y precisión (calidad de los contratos)— y un principio arquitectónico: "el flujo de control es código; el juicio son los modelos" (los scripts deterministas orquestan, los modelos aportan únicamente juicio). Cuatro carriles (Contract Desk de frontera, Builder Pool de escritor único, Prosecution Pool compartido, Integrator secuencial), una previsión de conflictos de fusión construida a partir de cuatro señales (amplitud certificada típicamente de 3-5 agentes) y desambiguación por consenso entre N agentes económicos en lugar de preguntas de clarificación.
Sexta entrega sobre el ADLC: Williams describe la fase P7 "Distill" como el componente que reduce el coste en cada ejecución. Dos mitades: simplificación posterior a la fusión (deducir después de que el código exista, no antes — "deduplicar antes de que el código exista es especulativo") y minería de lecciones (una "fundición de lecciones" convierte hallazgos recurrentes en reglas de lint, skills y nuevas preguntas de interrogación). Cada lección se paga una sola vez y luego se degrada de una detección probabilística costosa a una prevención determinista gratuita. La unidad de cuenta correcta es el "coste por cambio fusionado y verificado", y "un coste plano es un fracaso".
Séptima y última entrega de la serie ADLC: Williams presenta un kit de herramientas de código abierto con dieciocho herramientas construidas *con* el propio ciclo (bucle build-prosecute-fix, agentes paralelos, un núcleo congelado `@adlc/core` seguido de fan-out — "pinned means merged"). El núcleo doctrinal es "frontier-free": alcanzar objetivos de precisión con modelos de rango medio (clase Opus/Sonnet/Haiku) en lugar de modelos de frontera, mediante cinco sustituciones (la búsqueda reemplaza al criterio, la descomposición reemplaza al horizonte, el almacenamiento reemplaza a la presencia, la medición reemplaza a la metacognición, la brecha generador-verificador mantiene el motor en marcha), quedando el humano como el nivel "frontera" en las dos puertas de especificación. Hilo conductor de la serie: "sustituir la confianza por estructura, y la estructura por medición".
Entrevista en vídeo grabada en **VivaTech** (stand de **Scaleway**), emitida por el medio República, que reúne a **Damien Lucas** (CEO de Scaleway) y **Franck Le Moal** (Global Technical Officer del grupo **LVMH**). **Tesis central**: la emergencia de una **"geopolítica tecnológica"** obliga a las multinacionales a abandonar la solución global única en favor de un **sistema de información regionalizado en tres bloques** (Estados Unidos, Europa, China). LVMH (80 000 millones de euros de facturación, 75 maisons, más de 100 países) formaliza una **alianza cloud con Scaleway** para construir un **bloque europeo autónomo**, junto a Google Cloud (datos, desde 2021), SAP, Salesforce en el lado occidental y Alibaba Cloud / Huawei / Tencent en el lado chino. El grupo se describe como **"híbrido"** y **autónomo** más que **"soberano"** (palabra que rechaza, por considerarla ambigua). Scaleway se posiciona como un **proveedor cloud europeo** inmune a las leyes extraterritoriales y protegido frente a un **kill switch** ("no es ciencia ficción", a la vista de la actualidad del fin de semana). Argumento económico de Damien Lucas: **1 € gastado con Scaleway = 68 céntimos que permanecen en la economía europea** (frente a menos de 20 céntimos con un hyperscaler estadounidense, incluso alojado en Francia). Calendario: PoC completados, despliegue iniciado en **Sephora y Louis Vuitton**, presencia significativa prevista en un plazo de **12-18 meses**. Misión declarada de Scaleway: centrarse en **IaaS/PaaS** (sin verticalización, como el software ofimático), apoyándose en un ecosistema de socios (aplicaciones soberanas, chips y servidores europeos). La oferta de **GPU Nvidia / IA** de Scaleway **no está prevista a corto plazo** pero permanece abierta (modelos open source por autonomía + rendimiento económico).
**Bertrand** — journaliste / présentateur du média **République** (partenaire de VivaTech) · conduit l'entretien. **Damien Lucas** — CEO de **Scaleway**. **Franck Le Moal** — Global Technical Officer du groupe **LVMH**.
Un artículo de arXiv (cs.SE) de Martin Monperrus que defiende una tesis radical para el SDLC: los agentes de codificación han superado un umbral de capacidad tal que **la revisión de código humana ya no es un componente necesario** de un pipeline de calidad. Dos afirmaciones: (1) los sistemas autónomos basados en LLM alcanzan todos los objetivos de la revisión (detección de defectos, calidad, cumplimiento) con menor coste y mayor rendimiento; (2) el modelo híbrido "el agente escribe, el humano revisa" es insostenible — no garantiza una calidad real y no escala al ritmo de la velocidad de la IA, generando una "falsa sensación de seguridad". Monperrus contrasta la inspection de Fagan (1976) con un **pipeline de verificación adversarial multi-agente** (agente generador + agentes revisores independientes + tests/métodos formales + consenso basado en voto). El humano se reenfoca en la especificación, las decisiones arquitectónicas, la aprobación de dominios críticos y los casos límite. Recomendaciones: pilotar primero en componentes de bajo riesgo, medir agente frente a humano, hacer explícitas las decisiones de rechazo.
Philippe Ensarguet (Orange) sostiene que cincuenta años de design patterns forman un linaje continuo: en un momento en que la IA convierte el código en una commodity y rompe la forma tradicional de formar arquitectos, la "pattern literacy" (leer un sistema a través de sus fuerzas invariantes) se convierte en la competencia duradera a enseñar — como una gramática, no como catálogos.
#design patterns#linaje de patrones#arquitecto de software
Anuncio de producto de Stack Overflow (blog oficial) que lanza **Stack Overflow for Agents**, una plataforma de intercambio de conocimiento *API-first* diseñada para la era agéntica. Tesis fundacional: los agentes de codificación trabajan **de forma aislada**, sin acceso a una base de conocimiento compartida y verificada. De ahí el **"Ephemeral Intelligence Gap"** — agentes de todo el mundo resuelven de manera independiente los mismos problemas, desperdiciando tokens y cómputo, y luego pierden la solución al final de la sesión; los mismos patrones de arquitectura se redescubren en bucle. Principio rector: *"generar respuestas plausibles se ha vuelto barato, pero verificar cuáles funcionan en producción no."* Flujo de trabajo en cuatro pasos: **buscar primero** (consumir conocimiento validado) → **contribuir si existe una brecha** (el agente redacta, el humano aprueba antes de la publicación) → **verificar** (resultados, modificaciones, condiciones de contexto) → **acumular las señales** (votos, respuestas, verificaciones producen un consenso). Tres formatos legibles por máquina: **Questions**, **TIL** (trazas de depuración), **Blueprint** (patrones reutilizables, el listón de calidad más alto). La confianza se apoya en la **moderación comunitaria** y en **bucles de verificación multiagente**; los humanos reclaman la propiedad de su agente mediante Stack Overflow SSO (un "ancla comunitaria" que vincula al agente con una reputación humana). Beneficios diferenciados: desarrolladores (menos bucles de reintento), laboratorios de IA (datos de alta señal para fine-tuning/evaluación), empresas (**Stack Internal**, una capa de conocimiento propietaria sin exfiltración de datos).
#Stack Overflow for Agents#coding agents#base de conocimiento
Anthropic lanza Claude Fable 5 (un modelo de clase Mythos adaptado para uso general) y Claude Mythos 5 (el mismo modelo, sin las salvaguardas, restringido a ciberdefensores a través de Project Glasswing): rendimiento de vanguardia en ingeniería de software, visión, memoria de contexto largo y ciencias de la vida.
Guía técnica en profundidad (blog de la agencia Lushbinary) sobre **Loop Engineering**: diseñar los sistemas que impulsan a los agentes de codificación en bucle, en lugar de instruirlos manualmente. Aborda la filiación prompt → contexto → loop engineering, la técnica Ralph (Geoffrey Huntley), los **cinco bloques constitutivos + memoria** de un bucle, su implementación en Claude Code y OpenAI Codex, la redacción de condiciones de parada verificables, una escala de madurez de adopción y los riesgos que se agravan a medida que los bucles se vuelven más sofisticados. Dominio: ingeniería de software agéntica, agentes de codificación, harness/orquestación.
#Loop engineering#agentes de codificación#harness engineering
Guía de Augment Code (Paula Hingel) que describe cómo los agentes de IA están reestructurando el ciclo de vida del desarrollo de software (SDLC), etapa por etapa. Tesis: la IA produce **mayor rendimiento en algunas etapas y mayor riesgo de inestabilidad en otras** — un síntoma de adopción desigual sin redefinir los límites de revisión. Se apoya en **DORA 2025**: la adopción de IA correlaciona positivamente con el rendimiento de entrega y el desempeño del producto, pero **negativamente con la estabilidad**. Seis etapas revisadas (Requisitos, Diseño/Arquitectura, Implementación, Pruebas/QA, Despliegue, Mantenimiento), tres riesgos principales (erosión del pipeline junior, **validación circular** de pruebas generadas por IA, brechas de gobernanza a escala) y tres roles emergentes (**Intent Engineering**, Agentic DevOps, AI Governance/Assurance). Recomendaciones accionables: auditar una etapa antes de escalar, someter la gobernanza a pruebas de estrés, situar la **especificación** en el centro, definir políticas explícitas de rollback, rediseñar el rol junior en torno a la revisión.
#SDLC#ciclo de vida del desarrollo de software#agentes de codificación
Artículo de trasteo dominical de **Mark Dembo** (Head of Solutions, Developer Platform & AI en **Cloudflare**) publicado el **7 de junio de 2026** en su blog personal. **Narrativa**: inspirado por **Steve Ruiz**, el autor compra un pequeño dispositivo **M5Stack Stick 3** (~30 €) y, aprovechando el lanzamiento de **Opus 4.8**, se construye un **agente de IA DIY** «por pura curiosidad, sin ningún objetivo». **Iteración 1 (45 min)**: pasa la documentación del dispositivo a **Claude Code**, que genera scripts en Python (~200 LOC, *«zero blast radius»*) que muestran el tiempo en Múnich, luego en varias ciudades; un backend de **Cloudflare Workers + Workers AI** añade **texto a voz (TTS)**, **push-to-talk** (voz a texto) y un **small LLM** central para responder preguntas. **Iteración 2 (un agente real)**: cambio de los endpoints REST a transporte **WebSocket** mediante el **Cloudflare Agents SDK** + **Dynamic Worker execution** → el patrón ***«Code Mode»*** (el agente escribe y ejecuta código para llevar a cabo su tarea). El agente responde entonces a preguntas sobre datos públicos (11! = factorial, el ganador de la Champions League mediante `fetch()` en Wikipedia, el tiempo en cualquier ciudad). **Iteración 3 (poderes reales)**: conexión a **Todoist** mediante un flujo **MCP OAuth** → 50 herramientas de golpe, de donde surgen dos problemas: **sobrecarga de contexto** y **riesgo real de daño**. La solución se apoya en el **MCP Server Portal** de Cloudflare + los ajustes de conectores de Claude: por herramienta, **Always allow / Ask for approval / Disable** (las herramientas *Disabled* nunca entran en el contexto; un **clasificador LLM** solo acepta autorizaciones «allow» explícitas y **deniega por defecto**). **Postura declarada**: reduce su papel al de ***«generador de ideas, ejecutor y juez»*** (y, en raras ocasiones, guía técnico), un flujo «human-in-the-loop» que considera poco *«2026»* (copiar y pegar en UIFlow). **Lo que NO hizo**: ninguna optimización de latencia/streaming, ninguna llamada LLM optimista, ningún eval, ***«Ni siquiera miré el código una sola vez.»*** **Asombro**: 30 € + una ventana de sesión de Anthropic + unos céntimos de inferencia de Cloudflare → un objeto que escucha y habla, gobernado en lenguaje natural; *«el verdadero desbloqueo está en lo accesible que es.»* Marcado contraste con [[thomas-pragdave-failing-faster-code-rot-ai-velocity-2026-06-06]] (aquí *«zero blast radius»* justifica no mirar nunca el código); ilustra concretamente *Code Mode* / *«el agente simplemente escribiendo y ejecutando código,»* el patrón **MCP** ([[claude-skills-bigger-than-mcp-willison-2025-10-16]]), la gobernanza de herramientas al estilo *Ask for approval* (uber-engineering-agent-identity-crisis-zero-trust-spire-2026-05-21), y la doctrina de los *sistemas en torno al modelo* de dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28.
#BYO agent#trae tu propia IA#trasteo
**Mark Dembo** (@darkmembo / @mdembo) · **Head of Solutions – Developer Platform & AI** chez **Cloudflare** (auparavant auteur sur le blog Cloudflare). Billet personnel publié sur son blog *markpauldembo.com* le **7 juin 2026** (description : *« Thoughts about tinkering on a Sunday »*).