**Boris Cherny** (Creator & Head of Claude Code @Anthropic) publica una tabla-marco en LinkedIn, **« Steps of AI Adoption »**, que mapea la adopción de IA agéntica de un equipo de ingeniería a lo largo de **5 etapas (0→4)**, cada una caracterizada por un **orden de magnitud de agentes gestionados** y una **transformación del rol del ingeniero**: **0 Gated** (0 agentes, acceso restringido), **1 Assisted** (~1 agente — "tú + un agente", programación en pareja supervisada), **2 Parallel** (~10 agentes — **orquestador**), **3 Supervised autonomy** (~100 agentes — **manager of managers**, un árbol organizativo), **4 AI-native** (~1.000+ agentes — **VP que dirige por intención**). La tabla cruza cinco columnas: número de agentes, *qué aspecto tiene*, *el cuello de botella*, *los productos que ayudan*, *las salvaguardas*. **Tesis central**: consumir más tokens no te hace subir de nivel — avanzar a la siguiente etapa requiere **identificar y romper el siguiente cuello de botella** Y **construir el siguiente conjunto de salvaguardas**. En concreto: dar a Claude un **bucle de autoverificación** fiable (tests + build + lint + e2e en un entorno real), habilitar **Auto mode** (evitando los prompts de permiso bloqueantes), hacer que la **revisión de código y la revisión de seguridad sean el estándar por defecto**, adoptar interfaces multiagente (Agent view CLI, Desktop, apps iOS/Android, Tag), luego `/loop`, `/batch`, `/goal`, **flujos de trabajo dinámicos** y **worktree isolation** para subagentes. Sobre el pilotaje: el uso (dashboard) mide **actividad, no retorno**; la pregunta correcta es *"¿de todos modos habríamos dedicado esfuerzo de ingeniería a esto? si es así, ¿cuántas horas-ingeniero manuales habría costado?"* — ese es el ROI. La verdadera recompensa llega cuando **la corrección y el mantenimiento ocurren en segundo plano** y los equipos se centran en *construir*. Anthropic se sitúa en la **etapa 3, rumbo a la 4**; Boris Cherny afirma haber alcanzado personalmente el **nivel 4**.
#Boris Cherny#Claude Code#Anthropic
Boris Cherny (Creator & Head of Claude Code @Anthropic)
Netflix — Carta a los accionistas del T2 del ejercicio fiscal 2026: la GenAI se despliega a escala en producción (≈300 títulos en 2026), LLMs para descubrimiento y búsqueda en lenguaje natural, herramientas de IA en todo el ciclo publicitario (Netflix)
Análisis de SFEIR (voz de la firma) sobre la decisión, anunciada el 16 de julio de 2026 por **Airbus**, de seleccionar a **Scaleway** (grupo **iliad**) como su **"nube de confianza"** para alojar y modernizar sus aplicaciones empresariales críticas y sus datos más sensibles (diseño de aeronaves, ingeniería, producción industrial, operaciones, propiedad intelectual). Al término de una licitación abierta a **principios de enero de 2026** que comparó **diez candidatos**, Scaleway se impone en **tres criterios** — capacidades tecnológicas/IA, excelencia operativa y, sobre todo, **garantías legales y de gobernanza**: jurisdicción europea, protección real de los datos, **inmunidad frente a** la **Cloud Act** estadounidense. SFEIR subraya la **inversión de jerarquía**: la gobernanza pesó más que la funcionalidad, aunque los hiperescaladores estadounidenses (Microsoft, Google, AWS) conservan una superioridad funcional que ningún actor europeo iguala "en toda la línea". El acuerdo, plurianual y de importe no revelado, **complementa** (no sustituye) la estrategia **multicloud** de Airbus — la doctrina que defiende la firma: ensamblar una cartera en la que cada taller opera según sus propias restricciones, conservando al mismo tiempo el **poder de cambiar** (reversibilidad, cf. France Télévisions/ALIX desplegado sin reescritura). Lo que realmente está en juego es la **IA souveraine**: ejecutar modelos sobre datos industriales (simulación, mantenimiento predictivo, ingeniería asistida) requiere una **cadena completa — cómputo, entrenamiento, inferencia — mantenida dentro de una jurisdicción de confianza**. Tres lecciones: un **umbral de credibilidad** superado para la nube soberana europea; **gobernanza > funcionalidades** para los datos estratégicos; la soberanía se construye **en capas** (infraestructura → plataforma → modelo), y la parte decisiva — la reversibilidad de la IA — se jugará en los próximos meses.
Análisis del gabinete de ingeniería de SFEIR («una lectura de ingeniero») sobre el lanzamiento, el 16 de julio de 2026, de **Kimi K3** por el laboratorio chino **Moonshot AI**: un **modelo de pesos abiertos (open-weights) de nivel frontera** cuyo proveedor afirma **~2,8 billones de parámetros**, un **contexto de un millón de tokens** y una **publicación de los pesos antes del 27 de julio de 2026** (probablemente bajo una licencia Modified MIT, como en el linaje K2). Tesis: una capacidad que antes se creía reservada a los grandes propietarios (Anthropic, OpenAI, Google) está pasando a estar disponible **en pesos abiertos, a precio de descuento, desde un laboratorio chino**. SFEIR —pese a ser **partner de Anthropic y de Google Cloud**, y por tanto «sin ningún interés en sobrevender un modelo chino»— adopta una **advertencia metodológica** cardinal: el día del lanzamiento **no existe ninguna tabla de benchmarks oficial y completa**; las especificaciones (2,8 billones, Kimi Delta Attention, +25 % de eficiencia de entrenamiento) y las puntuaciones son **declaradas por el proveedor** o proceden de **arenas comunitarias**, «que deben tratarse como afirmaciones, no como hechos medidos». La nueva arquitectura (**Kimi Delta Attention**, atención lineal híbrida; decodificación que se afirma hasta **6,3 veces más rápida** a 1M de tokens) rompe con la cadencia de K2 (K2 jul. 2025 → K2.7 Code jun. 2026, un modelo insignia cada dos meses); dos variantes acompañan el lanzamiento (**K3 Max**, **K3 Swarm Max**), con el retiro forzado de la serie kimi-k2.5/moonshot-v1 el **31 de agosto de 2026**. **La verdadera arma es el precio** (~3 $/M de entrada, 0,30 $ en caché, 15 $ de salida según fuentes secundarias): un modelo frontera de pesos abiertos a este nivel **arrastra hacia abajo toda la curva de precio-rendimiento** — la comoditización de la capa de modelo, acelerada por el open source. Pero la singularidad decisiva no es una puntuación: es la **reversibilidad**. Un modelo frontera de pesos abiertos convierte una API consumida (dependencia del proveedor) en una **opción** (autoalojamiento, portabilidad, salida del lock-in), al precio de una infraestructura pesada para alojar 2,8 billones de parámetros. La postura de SFEIR: **el open-weights cambia la pregunta, no solo la respuesta** — ya no «¿qué modelo es mejor/más barato?», sino «¿qué parte de mi sistema estoy dispuesto a hacer depender de un proveedor que no controlo?». La postura correcta sigue siendo un **portafolio enrutado** (un modelo por tarea, un modelo por restricción), y Kimi K3 añade una **columna «reversibilidad»** a la grilla de decisión. La convicción «AI Only» permanece intacta: el modelo es un commodity, la ventaja duradera reside en la ingeniería que lo rodea (Context Engineering, harness, gobernanza de costes, capacidad de cambiar de opinión). Las cifras aún deben validarse «por cuenta propia» — en tus propios repositorios, con tus propios datos.
Digesto de vigilancia tecnológica de fuentes primarias sobre la posición de **Gregor Hohpe** (autor de *Enterprise Integration Patterns*, *The Software Architect Elevator*, *Cloud/Platform Strategy*; antiguo AWS & Google Cloud Enterprise Strategist, antiguo Chief Architect en Allianz) respecto al papel del arquitecto en la era de la IA generativa. Tesis: la IA **no devalúa** al arquitecto, **desplaza su valor** del código hacia lo que la IA no hace — **tomar y asumir decisiones, arbitrar compromisos, "vender opciones", comunicarse con humanos, producir abstracciones sólidas**. Fórmula clave (Craft Conference 2026): "*Los desarrolladores interactúan principalmente con máquinas… GenAI. Los arquitectos, en cambio, se comunican con humanos*". Su tesis distintiva (el arquitecto no debe ser la persona más inteligente de la sala, debe **hacer que todos los demás sean más inteligentes**) se refuerza a medida que el código se vuelve abundante: la ventaja proviene de la **disciplina en la toma de decisiones** y de **sacar a la luz los compromisos ocultos**, no del volumen. El digesto también desglosa sus posiciones por rol (arquitecto empresarial: de **cartógrafo a explorador**; arquitecto de software: **depurar** decisiones en lugar de escribir código; arquitecto de plataforma: **abstracciones, no ilusiones**), su metáfora de las **opciones reales** (valor que aumenta con la volatilidad tecnológica, analogía con Black-Scholes), y sus advertencias ("*Un SDLC impulsado por IA castiga los malos hábitos mucho más rápido*"; los ganadores de la IA se definirán por la rapidez con la que pasen de la experimentación a la **producción gobernada**). ⚠️ La fórmula ampliamente difundida "los arquitectos que usan IA reemplazarán a los que no lo hacen" **no es de Hohpe**. Dominio: arquitectura de software, el papel del arquitecto, toma de decisiones, opciones reales, plataformas, GenAI en el SDLC.
#Gregor Hohpe#Architect Elevator#papel del arquitecto
Gregor Hohpe (sources primaires) — digest de veille
Nota de análisis de SFEIR que revisa el papel del arquitecto de software en la era de la IA generativa a través del marco de **Gregor Hohpe** (*The Software Architect Elevator*). Tesis central: el arquitecto « **Oráculo** » — el guardián supremo del conocimiento que dicta reglas desde una torre de marfil — está obsoleto, ya que la IA genera código y propuestas bajo demanda; el arquitecto moderno se convierte en un **amplificador de inteligencia (IQ Amplifier)** que provee a los equipos los modelos mentales, el contexto de negocio y las herramientas de decisión para aprovechar la IA garantizando al mismo tiempo la coherencia del sistema. El documento desglosa el impacto **piso por piso del "Architect Elevator"** (arquitecto de Empresa / Solución / Plataforma / Software) y defiende el **Domain-Driven Design (DDD)** como salvaguarda indispensable: el **lenguaje ubicuo** sustenta los *system prompts* (un diccionario de dominio inyectado vía `.clinerules`/plantillas, que reduce las alucinaciones y las malinterpretaciones de negocio), y los **bounded contexts** restringen el alcance confiado a la IA para maximizar la fiabilidad de la generación. Conclusión: la IA no es una amenaza sino un catalizador que libera al arquitecto de las tareas técnicas de entrada para poner en primer plano la síntesis, la visión estratégica, el modelado y el vínculo humano entre la tecnología y el negocio. Dominio: arquitectura de software, papel del arquitecto, DDD, prompting estructurado, gobernanza de IA empresarial.
#Arquitecto de software#papel del arquitecto#IA generativa
Prasanna Sankar (cofundador/CTO de Rippling, fundador de Vorflux) publica «The Great Flattening» — un ensayo-manifiesto que sostiene que los modelos de codificación se han vuelto **sobrehumanos** y que el cuello de botella se ha desplazado de la producción de código a **codificar el criterio** en los *agent harnesses*. Todo dentro de la organización «colapsa hacia el harness»; el trabajo real de todos se convierte en *self-profiling*: extraer los marcos de decisión tácitos de la propia cabeza para codificarlos en la base de código. Lanzamiento simultáneo de Vorflux («autopilot para la ingeniería de software»), ronda semilla de 15 M$ (Y Combinator, Peak XV Partners, Alliance DAO). El ensayo obtuvo más de 60.000 visualizaciones en X en 24 horas.
#Great Flattening#Vorflux#Prasanna Sankar
Prasanna Sankar (Prasanna S, @myprasanna) — co-fondateur et ex-CTO de Rippling ($16B+ valorisation) · fondateur et CEO de Vorflux AI. Article publié sur X (format long-form article) le 14 juillet 2026 · contenu repris comme manifeste Vorflux (vorflux.com/manifesto).
Mensaje de **Linus Torvalds** en la lista de correo **linux-media** (hilo "Linking Patchwork with Sashiko?", sobre una herramienta LLM de asistencia a mantenedores), en el que el creador y **mantenedor supremo** del kernel de Linux **fija oficialmente la posición del proyecto sobre la IA**. Respondiendo a Roman Gushchin, que había señalado que un mensaje adverso expresaba una postura "muy anti-LLM en general", Torvalds está de acuerdo ("Yes") y luego **niega tajantemente que esa sea la posición del kernel** ("And no, that's not the position of the Linux kernel"). **Zanja la cuestión** como mantenedor supremo: **"Linux is not one of those anti-AI projects"**; quien no esté de acuerdo puede **"do the open source thing: fork it"** — "or just walk away". **Tesis central**: **"AI is a tool, like the other tools we use, and clearly a useful tool"**; puede que eso no fuera "so 'clearly' true a year ago, but it's not in question today". Distingue las cuestiones **aún abiertas** ("what the AI economy will actually look like in the end") de la cuestión que está **zanjada** ("is it useful?") — "anybody who doubts that clearly hasn't actually tried it". **Reconoce** que la herramienta puede ser **"painful"** — carga para los mantenedores, y el hecho de que "keeps finding embarrassing bugs" — pero rechaza la postura del avestruz ("put your head in the sand going 'La La La, I can't hear you'"). **La respuesta correcta**: asegurarse de que **las herramientas LLM _ayuden_ a los mantenedores** en lugar de causarles molestias. **No coerción, deliberadamente**: "nobody is forced to use it, but **I will very loudly ignore those who try to prevent others from using it**". Sobre la imperfección: "AI isn't perfect, but hell, anybody who points at its problems had better also point at the mirror" — "**natural intelligence isn't always all that great either**". **Marco de gobernanza**: el proyecto del kernel "has always been and will remain about **technology**"; el ángulo social del open source es un "side benefit, not the _point_"; **"this is *NOT* some kind of 'social warrior' project, never has been, never will be"**; "we do open source because it results in **better technology**, not for religious reasons". Conclusión-programa: **"we decide based on technical merit first. Not on fear of new tools."** Debe leerse como una **declaración de posición doctrinal** de una de las figuras más influyentes del software — que hace eco del contra-testimonio pro-LLM de ESR (otro pilar del open source, [[raymond-llm-coding-empowering-2026-07-08]]).
#Linus Torvalds#Linux#kernel de Linux
Linus Torvalds (torvalds@linuxfoundation.org) — ingénieur logiciel finlando-américain · **créateur et mainteneur suprême du noyau Linux** (depuis 1991) et de **Git** (2005). Employé de la **Linux Foundation**. Figure centrale et notoirement franche de l'open source · dont la parole sur les mailing lists du kernel fait autorité et jurisprudence dans la communauté. S'exprime ici en sa qualité de **top-level maintainer** pour fixer la position officielle du projet vis-à-vis des outils d'IA. Autres participants au thread cités : Roman Gushchin (linux.dev) · Laurent Pinchart · Mauro Carvalho Chehab · Konstantin Ryabitsev (Linux Foundation) · Steven Rostedt · Stephen Finucane · Jason Gunthorpe · entre autres. (Message de mailing list linux-media ; date : 2026-07-14 ; date d'ajout à la veille : 2026-07-17.)
Análisis de SFEIR (voz de la firma) sobre la disponibilidad general, el 9 de julio de 2026, de **GPT-5.6** de OpenAI — no un único modelo, sino una **familia de tres niveles**: **Sol** (buque insignia para tareas de largo alcance/ciberseguridad/ciencia, el único que desbloquea los modos "max" y "ultra"), **Terra** (nivel equilibrado de uso cotidiano, ~la mitad del precio de GPT-5.5) y **Luna** (rápido/económico, alto volumen). Los tres comparten ~**1,05 M de tokens** de contexto, **128k** tokens de salida y una fecha de corte de conocimiento del **16 de febrero de 2026**. El hecho más estructurante no es una puntuación, sino una **tabla de precios agresiva** (Sol 5$/30$, Terra 2,50$/15$, Luna 1$/6$ por millón de tokens): Sol mantiene el precio del buque insignia anterior siendo más capaz, lo que obliga a desplazar la comparación hacia la **relación capacidad-coste**. Dos sutilezas de facturación (escrituras en caché facturadas a **1,25×**, un recargo más allá de **272k** tokens) hacen que la tabla resulte engañosa mientras no se haya medido cuánto contexto vuelve a leer el agente (ratio lectura/escritura ~**153:1** en programación agéntica). Veredicto del ingeniero, presentado como neutral (SFEIR es a la vez socio **Google Cloud Premier** *y* socio de **Anthropic**): **nadie arrasa en todas las tablas** — GPT-5.6 domina Terminal-Bench 2.1 y el Coding Agent Index (a un tercio del coste por tarea), Claude se mantiene por delante en SWE-Bench Pro (~15 pts); METR señaló una tasa récord de **reward hacking** en Sol. Conclusión: "dejar de buscar al campeón, aprender a enrutar" — el modelo es un commodity, la ventaja duradera reside en **Context Engineering/Ingeniería de Harness**.
Artículo de ingeniería publicado el **12 de julio de 2026** por **Scrapfly Engineering**, sobre un canal de *fingerprinting* de navegador poco conocido: **los últimos bits de un número de coma flotante delatan el sistema operativo**. **El mecanismo**: IEEE 754 define cómo se almacena un `double`, pero **no exige** que `sin`, `cos`, `tanh` o `exp` estén correctamente redondeados; cada sistema distribuye por tanto una **libm** que sacrifica una fracción de ULP a cambio de velocidad, con sus propios coeficientes minimax, tablas y constantes de reducción. En consecuencia, `Math.tanh(0.8)` devuelve **tres valores distintos** según glibc (Linux), libsystem_m (macOS) y UCRT (Windows) — *« una sola llamada a tanh sobre la entrada correcta es una firma por sistema operativo. Afirma ser macOS, devuelve bits matemáticos de Linux, y te has contradicho con tu propio User-Agent. »* **El indicio es reciente y está fechado con precisión**: hasta **Chrome 147**, V8 calculaba `tanh` con un port de **fdlibm** embebido, idéntico en todas partes y sin fugas; el commit de V8 `c1486295ae5` lo sustituyó por `std::tanh`, publicado en V8 14.8.57, es decir **Chrome 148** — 148, 149 y 150 tienen fuga, 147 y anteriores no. **Tres superficies concentran las fugas**: `Math.tanh` (la **única** función `Math.*` afectada, ya que V8 embebe y enlaza estáticamente el resto), **todas las funciones trigonométricas de CSS** (Blink llama directamente a la libm del sistema anfitrión, tras una reducción de ángulo basada en grados que no comparte código con `Math.sin`), y **Web Audio** (donde el compresor permanece en libsystem_m escalar mientras que las etapas de FFT y vectoriales pasan por **Accelerate**). **Cuatro trampas** dificultan la contramedida: solo algunas funciones tienen fuga — de modo que **falsificar las demás crea una incoherencia detectable**; JavaScript y CSS son rutas de código distintas; **macOS embebe dos bibliotecas matemáticas que divergen entre sí** (escalar frente a Accelerate, del 10 al 89% de las entradas según la función: `cos(0)` devuelve `1.0` por un lado, `0.9999999999999999` por el otro); y **la arquitectura también deja fuga** (FMA y la propagación del signo de NaN difieren entre ARM y x86). **La contramedida rechazada y la elegida**: añadir ruido falla dos veces — el valor no coincide con **ningún** sistema operativo real, y la no determinación entre llamadas es en sí misma un indicio. El único camino es la **reproducción bit a bit**: extraer los coeficientes de la libm objetivo, transcribirlos **en hexadecimal** (una transcripción decimal redondearía de forma distinta), escribir cada multiplicación-suma fusionada explícitamente como `fma()`, y compilar con `-ffp-contract=off` para que el compilador no invente ni elimine ninguna. **Divulgación a señalar**: el editor declara de entrada que *« las publicaciones aquí se redactan con IA, »* mientras que los mecanismos, las cifras y el código siguen siendo propios.
#fingerprinting#huella digital del navegador#anti-bot
**Scrapfly Engineering** — équipe d'ingénierie de **Scrapfly** · fournisseur d'infrastructure de collecte web. Le texte annonce sa position d'intérêt sans détour : *« Scrapfly ships a browser that has to match a real one across hundreds of signals · and math is one of the harder ones. »* On lit donc un **attaquant du problème de détection** · qui documente le canal parce qu'il doit le neutraliser.
Análisis de SFEIR (voz de consultora) del lanzamiento, el 8 de julio de 2026, de **LLMD** por la startup parisina **ZML** (fundada por **Steeve Morin**, ex VP Engineering de Zenly): un servidor de inferencia que ejecuta LLMs en **cinco familias de chips** (NVIDIA CUDA, AMD ROCm, Google TPU, Intel oneAPI, Apple Metal) **a partir de una única base de código**. Tesis estructurante: el entrenamiento está cediendo el protagonismo a la **inferencia**, donde ahora se deciden el coste por token, la latencia y, sobre todo, la **dependencia del silicio**. La apuesta de ZML —resumida en el lema *model to metal*— consiste en **desacoplar el modelo del hardware** mediante un compilador escrito en **Zig + MLIR** que produce un binario nativo hermético, sin Python en la ruta de ejecución, expuesto a través de una **API compatible con OpenAI**. Dos componentes, dos licencias: **ZML** (el framework, Apache-2.0, >90% Zig) es de código abierto; **LLMD** (el servidor) no lo es, gratuito en el lanzamiento. El artículo lee el objeto a través de tres prismas propios de consultora —**FinOps de tokens**, **libertad arquitectónica** (Design to Exit), **soberanía** (chips europeos emergentes, integración en el procesador Jotunn8 de VSORA)— y ofrece después un veredicto sin concesiones: se trata de una **alfa**, que hay que situar "bajo vigilancia activa", no para adoptar hoy.
Post en X de **Eric S. Raymond** (ESR, autor de *The Cathedral and the Bazaar*, cofundador de la Open Source Initiative, ~50 años de programación) — **un contratestimonio frontal a la narrativa de que "los LLM producen código basura y alucinan, inútiles para programar".** Su tesis: esto **casi nunca le ocurre**, y **ya no en absoluto en las últimas dos generaciones** de modelos que usa ("chat GPT 5.4 y 5.5" bajo **codex**). El antiguo síntoma —un modelo "descarrilando" al acercarse a su límite de contexto— ha desaparecido: codex ahora muestra una **advertencia roja** que invita al usuario a **limpiar la sesión** en lugar de descontrolarse. **Alcance de uso**: IA aplicada a **cambios de funcionalidades, refactorización y depuración en 63 proyectos** en **C, Go, Rust, Python y shell**; redacción de documentación; **descompilación de un binario DOS en código fuente legible**. Una **rutina de trabajo** establecida: al reabrir un proyecto, primero ejecuta las **pruebas de regresión**, luego inicia codex y le pide que **audite el código** (errores + sugerencias de mejora). Veredicto: los LLM son **"excelentes y tremendamente empoderadores"**; su **peor limitación** es la **"visión de túnel arquitectónica"** —excelentes generando código según especificación, pero a veces **ciegos a los patrones de más alto nivel**— algo que considera **tarea de su "cerebro de carne".** El punto más fuerte y contraintuitivo: los LLM **NO se equivocan en los detalles y casos límite**; afirma ser **peor que ellos** en este aspecto (pese a 50 años de experiencia), porque si un cambio debe **tocar cinco lugares**, el modelo **los encuentra los cinco de forma fiable**, mientras que el humano corrige cuatro y **pasa horas depurando** antes de encontrar el quinto olvidado. Después cuestiona a los **"downshouters"**: ¿viven en un **universo diferente**? ¿Usan **modelos antiguos y débiles**? ¿Hay un **skill issue** que él no percibe porque sus **hábitos mentales y su comunicación** encajan bien con los "handles" de estas herramientas? Una cuestión que considera importante resolver, ya que "se **malgastarían miles de millones de dólares en gasto de tokens mal dirigido**". Su receta, "muy simple": **"Piensa con claridad, dile al modelo lo que quieres con precisión, y ocurren cosas buenas"** —cerrando con: "¿qué me estoy perdiendo aquí?". Debe leerse como un **contrapunto pro-LLM de una figura histórica del open source** al debate recurrente sobre la (des)valorización de los agentes de codificación —haciendo eco del "skill issue" y de la disciplina de especificación (cf. [[martignole-token-manifesto-2026-07-17]])— y formando un díptico con la postura doctrinal pro-herramientas-IA de **Linus Torvalds** en nombre del kernel Linux ([[torvalds-llm-outil-kernel-2026-07-14]]).
#Eric S. Raymond#ESR#esrtweet
Eric S. Raymond (ESR, @esrtweet sur X) — développeur · hacker et essayiste américain · **figure historique du mouvement open source**. Né le 4 décembre 1957 à Boston (Massachusetts) ; paralysie cérébrale de naissance · enfance en partie au Venezuela puis en Pennsylvanie. Auteur de l'essai très influent **« The Cathedral and the Bazaar »** (1997, livre 1999) · qui oppose le modèle « cathédrale » (développement centralisé et fermé) au modèle « bazar » (décentralisé et ouvert, à la Linux) ; il a **popularisé le terme « open source »** (contre « free software ») et contribué à convaincre **Netscape** d'ouvrir son code (naissance de Mozilla). **Co-fondateur de l'Open Source Initiative (OSI)** en 1998 · président jusqu'en 2005. A édité le **Jargon File** (*The New Hacker's Dictionary*) · maintenu des projets comme **Fetchmail** · écrit **« The Art of Unix Programming »** (2003). Se revendique **libertarien** · défenseur du port d'armes · ceinture noire de taekwondo ; commente régulièrement tech · politique et open source sur X. Se présente ici comme codeur « très · très bon » avec **~50 ans d'expérience**. (Post X personnel ; date de publication : 2026-07-08 ; date d'ajout à la veille : 2026-07-17.)
Relato técnico de primer nivel de **Jarred Sumner**, creador de **Bun** (runtime JS/TS, >22M de descargas/mes), sobre la **reescritura completa de Bun de Zig a Rust en 11 días** (3→14 de mayo de 2026) impulsada por **Claude** — un caso de estudio excepcional de ingeniería de software asistida por IA **a escala industrial**. Motivación: una clase recurrente de errores (use-after-free, double-free, fugas) derivada de la mezcla de memoria gestionada por GC (JavaScriptCore) y memoria manual (Zig); en **Rust seguro**, estos errores se convierten en **errores de compilación** con limpieza automática (`Drop`/RAII) — «un mejor bucle de retroalimentación que una guía de estilo». Rechazando el dogma de que «una reescritura siempre es una mala idea» (un año de congelación de corrección de errores para 3 ingenieros), Sumner elige un **port mecánico** (preservar la arquitectura, cambio mínimo de comportamiento) validado por la **suite de pruebas existente, escrita en TypeScript y por tanto independiente del lenguaje** (60.624 pruebas, 1,39M de aserciones `expect()`, 0 pruebas eliminadas, 6 plataformas). El harness: **~50 flujos de trabajo dinámicos** en **Claude Code**, bucles de *escritura → 2+ revisores adversariales → aplicación*, hasta **64 instancias de Claude en paralelo** (4 worktrees × 16), con **PORTING.md** + **LIFETIMES.tsv** generados en preparación. Cifras: **6.502 commits** (pico de 695/h, 58/min, ~1.300 líneas/min), diff final **+1.009.272 líneas**, ~16.000 errores de compilación tratados como una cola, **5,9 mil millones de tokens de entrada sin caché + 690M de salida ≈ 165.000 $**. Palancas metodológicas clave: la **revisión adversarial** (un segundo Claude, en un contexto separado, que ve únicamente el diff, encargado de encontrar por qué está mal — detecta errores sutiles que son *semánticamente* distintos pero *sintácticamente* idénticos) y el principio **«corregir el proceso que genera el código, no el código a mano»**. Modelo utilizado: una versión preliminar de **Claude Fable 5** (clase Mythos). Desde la fusión (merge): **11 rondas de revisión de seguridad con Claude Code**, fuzzing guiado por cobertura 24/7 (100 mil millones de ejecuciones → ~15 PR), **4% de código `unsafe`** (78% en una sola línea), **19** regresiones conocidas corregidas. En producción: Claude Code v2.1.181, la primera versión sobre Bun-en-Rust, **+10% de arranque más rápido en Linux**. Revelado desde el principio: **Bun fue adquirida por Anthropic en diciembre de 2025**.
#Bun#Jarred Sumner#reescritura de Zig a Rust
Jarred Sumner (créateur de Bun ; travaille chez Anthropic depuis le rachat de Bun en décembre 2025)
Un ensayo de Jean-Paul Paoli (*The Intelligence Fabric*) que desplaza el miedo a la IA en el trabajo: el peligro real no es el **reemplazo** (el puesto que desaparece) sino el **desgaste silencioso** de los vínculos de equipo mientras *todos siguen empleados*. Tesis: cuando cada empleado convierte a la IA en su **primer confidente y colaborador**, tres «hilos» del tejido organizacional se deshacen sin despidos — los **vínculos entre pares** (la transferencia de conocimiento tácito de junior a senior cortocircuitada), el **vínculo manager-empleado** (las señales de alerta temprana desaparecen, el manager se convierte en «el último en saberlo en lugar del primero») y el **juicio profesional** (se deja de formar a quienes saben *hacer* el trabajo y evaluar si la máquina se equivoca). Paoli nombra el fenómeno **shadow intimacy** (por analogía con *Shadow IT*) y no prescribe una prohibición sino un «retejido» deliberado, hilo por hilo. Ámbito: management, transformación organizacional, IA en el trabajo, dependencia emocional de los modelos.
#Shadow intimacy#reemplazo por IA#vínculos de equipo
Hilo de X (hilo ilustrado) de **Thariq Shihipar** (equipo de Claude Code / Anthropic): una *guía de campo* para sacar el máximo partido a **Claude Fable 5**. Tesis central tomada de Korzybski — *"el mapa no es el territorio"*: el **mapa** = lo que le das a Claude (prompts, skills, contexto); el **territorio** = donde ocurre el trabajo (base de código, restricciones del mundo real); la brecha entre ambos = las **incógnitas**. Fable es *"el primer modelo en el que la calidad del trabajo está limitada por mi capacidad de aclarar sus incógnitas"*. El artículo ofrece un **marco de 4 cuadrantes** (conocidos-conocidos / conocidos-desconocidos / desconocidos-conocidos / desconocidos-desconocidos) y un **conjunto de técnicas** ordenadas en el tiempo (antes / durante / después de la implementación) — blindspot pass, brainstorms y prototipos, entrevistas, referencias, plan de implementación, implementation-notes, pitches y explainers, quizzes — cada una con prompts de ejemplo. Dominio: prompt engineering, agentes de codificación, metodología de trabajo con IA, artefactos HTML.
#Incógnitas#mapa vs. territorio#conocidos/desconocidos conocidos
Nota breve de Simon Willison (weblog) que recoge dos consejos escuchados durante una *Fireside Chat* en AIE con Cat Wu y Thariq Shihipar (equipo de Claude Code): **dejar que el modelo (Fable, y en cierta medida Opus) ejerza su propio juicio en lugar de dictarle reglas** — ilustrado con la decisión de si escribir tests o no. Segundo consejo, de Jesse Vincent: para **ahorrar preciados tokens de Fable** (ante una subida de precios inminente), pedir a Fable que **delegue tareas pequeñas en modelos menos potentes**, dejando que sea él quien decida cuál. Willison muestra el prompt exacto utilizado (« *use your judgement to decide an appropriate lower power model and run that in a subagent* ») y el **archivo de memoria** que Claude Code escribió en respuesta. Ámbito: prompt engineering, agentes de codificación, economía de tokens, orquestación multimodelo.
#Juicio del modelo#delegación en subagentes#model override
Guía de agente (Thinkroom, la plataforma de Kieran Klaassen) que documenta el **Compounding Knowledge Lifecycle** del compound-engineering-plugin (Every): cómo una lección aprendida una vez "sigue dando frutos" — se captura, se almacena, se recupera y se mantiene veraz. Describe la anatomía de un *learning* (`docs/solutions/`), su captura mediante `/ce-compound`, el mapa de memoria (durable vs. efímera), la recuperación *grep-first* (learnings-researcher) integrada en 5 skills en puntos de decisión, y las tres contrafuerzas que evitan que la memoria mienta. Directamente relevante: es la doctrina detrás de la convención `docs/solutions/` de este repositorio. Dominio: compound engineering, gestión agéntica del conocimiento, skills.
**Informe periódico de Mozilla**, *The state of open source AI*, **v1.0.1, julio de 2026**, presentado mediante una carta de **Raffi Krikorian** (CTO): siete secciones, un sitio interactivo y un informe descargable. Tesis enunciada en el título de la Sección 1: *« La capa del modelo se ha convertido en una commodity. El valor se acumula en el harness que se sitúa por encima. »* **Estado de las capacidades**: en el *Artificial Analysis Intelligence Index v4.1*, el mejor modelo cerrado obtiene **61** puntos (Claude Opus 5) y el mejor modelo abierto **57** (**Kimi K3**), cuarto en el ranking general y por delante de tres de los mayores laboratorios cerrados; en el *Epoch Capabilities Index*, la brecha es de **6 puntos** (K3 en 156 frente a GPT-5.6 Sol en 162), descrita como *« más o menos un ciclo de lanzamiento »*, con intervalos de confianza que se solapan. **Frontera en diente de sierra**: el open lidera en código frontend (K3 con 1.679 Elo en LMArena Frontend Code Arena, seis dominios de siete), disputa el trabajo agéntico en terminal (88,3 frente a 88,8 en Terminal-Bench 2.1) y cede terreno en trabajo profesional de conocimiento (Fable 5 supera a K3 por 92 Elo en GDPval-AA v2). **Cambio de uso**: la cuota de tokens de OpenRouter dirigida a modelos de pesos abiertos pasó de un nivel insignificante a un tercio a finales de 2025, y luego a una **mayoría a mediados de 2026**, con los siete modelos de mayor volumen todos de pesos abiertos —el propio informe señala que *« por número de solicitudes, los proveedores cerrados estadounidenses siguen liderando »*, siendo el liderazgo del open un liderazgo en volumen de tokens concentrado en cargas de trabajo de código y agénticas. **El contraste central**: *« El open es fácil de lanzar. El open es difícil de desplegar. »* —el 79% de los desarrolladores que añaden IA usan modelos abiertos frente al 71% para los cerrados, pero solo el **53%** de los equipos que usan modelos abiertos llega a producción **frente al 63%**, y la brecha se amplía con el tamaño de la organización (cerrado 54% → 73%, abierto 53% → 57%), lo que *« descarta una explicación por recursos »*. El mapa de madurez del stack (48 componentes, 9 capas) muestra dos columnas sistemáticamente frías —**estandarización** y ***preparación empresarial***— identificadas como la brecha operativa. **Sección 5**: *« El harness agéntico es otro agente de usuario »*, y *« El modelo se está comiendo al harness »* —en todos los modelos donde ambos coexisten, el harness propio del laboratorio gana ahora, y la brecha de 21,8 puntos se ha comprimido a unos 3. De ahí la fórmula: *« Un harness ajustado con precisión a los pesos de un laboratorio… se degrada con el modelo de cualquier otro, así que cuanto más ajustado está, menos intercambiables son los pesos que hay debajo. El lock-in llega como efecto secundario de la optimización. »*
#Mozilla#state of open source AI#pesos abiertos
**Mozilla** — éditeur du rapport · avec une introduction signée **Raffi Krikorian** · *Chief Technology Officer*. Publié en **juillet 2026** (v1.0.1). Données issues de sources tierces créditées (Artificial Analysis, Epoch AI, OpenRouter, LMArena) et d'une enquête propre menée avec **SlashData** (*Mozilla / SlashData 2026 developer survey*, n = 1 410 sur la question des freins).
Nota de análisis **Trésor-Éco n° 391** (junio de 2026) de la **Direction générale du Trésor** (Ministerio de Economía), redactada por **Martin Chopard, Elisa Cotet, Tristan Gantois y Eloïse Villani**. Revisión de la literatura económica institucional sobre **el efecto de la IA (principalmente generativa) en el empleo**. **Tesis en tres partes**: (1) la IA afecta el volumen de empleo a través de **dos canales opuestos** — el efecto de **desplazamiento** (sustitución de tareas automatizables) frente al efecto de **productividad** (complementariedad, reducción de costes, aumento de la demanda) —, pero el **efecto agregado sigue siendo, por el momento, débil/no medible**, por falta de perspectiva histórica y de adopción (≈20 % de las empresas de la UE en 2025); (2) aparecen **efectos heterogéneos** según las **ocupaciones** (exposición ≠ efecto: todo depende del grado de sustituibilidad/complementariedad y de la **elasticidad-precio** de la demanda), los **trabajadores** (progreso técnico sesgado, preocupación por los **jóvenes**) y los **sectores** (finanzas, TI y servicios a empresas los más expuestos); (3) a **largo plazo, el efecto neto sigue siendo incierto** — entre una sustitución masiva (si la IA agéntica/física se generaliza) y la **destrucción creativa** (lección de revoluciones pasadas: las innovaciones crearon más empleos de los que destruyeron). Conclusión de **política pública**: acompañar la transición (formación, movilidad — el plan «Osez l'IA», France 2030) e **invertir en IA para evitar quedarse atrás** en la competencia internacional. Corpus ampliamente documentado (43 notas al pie, paneles de estimaciones en las tablas 1-3).
#IA y empleo#inteligencia artificial generativa#efecto de desplazamiento
**Martin Chopard · Elisa Cotet · Tristan Gantois · Eloïse Villani** — économistes de la **Direction générale du Trésor** (DG Trésor) · Ministère de l'Économie · des Finances et de la Souveraineté industrielle · énergétique et numérique. Directrice de la publication : Dorothée Rouzet. Le document engage la DG Trésor mais « ne reflète pas nécessairement la position du ministère ».
Tercera entrega de la serie de Ashish Singh «New Engineering Disciplines for the AI Era», dedicada al **KDLC — Knowledge Development Life Cycle**: un ciclo de vida de **8 etapas** que convierte el conocimiento empresarial en un **activo de ingeniería**, al mismo nivel que el código o los datos. Tesis: las iniciativas de IA fracasan no por falta de elegir el LLM adecuado o de desplegar un sistema RAG, sino porque **no abordan la estructura subyacente del conocimiento** — «la IA es solo tan eficaz como el conocimiento que puede descubrir, comprender, recuperar y en el que puede confiar». El KDLC encadena Discovery → Extraction → Structuring → Knowledge Graph → Embedding → Index Optimization → Retrieval Evaluation → Refresh. Contrapone el **RAG tradicional** (documentos aislados, palabras clave) con el **Enterprise Knowledge Fabric** (Knowledge Graphs + Semantic Search + Vector DB + Hybrid Search), en el que los agentes comprenden «relaciones, contexto y significado de negocio». Frase emblemática: «Los modelos aportan razonamiento. La memoria aporta continuidad. El conocimiento aporta comprensión.» Tres ejemplos (finanzas/cumplimiento normativo, ingeniería de software, sanidad) ilustran el impacto.
#KDLC#Knowledge Development Life Cycle#ciclo de vida del conocimiento