Carta «Dear friends» de Andrew Ng en *The Batch* (DeepLearning.AI, número 359) sobre **loop engineering** aplicado al desarrollo de producto **0-to-1**. Ng comparte sus **3 bucles clave** — bucle de codificación agéntica (~minutos), bucle de feedback del desarrollador (~horas), bucle de feedback externo (~días) — anidados por escala temporal creciente, conectando *agente de codificación → especificación de producto/evals → visión del desarrollador → feedback externo*. Tesis central: los humanos conservan una **ventaja de contexto** (más que un «gusto») que hace indispensable el human-in-the-loop; los ingenieros asumen un rol parcial de gestión de producto. Ámbito: agentes de codificación, ingeniería de producto, metodología agéntica.
#Loop engineering#desarrollo de producto#bucle de codificación agéntica
Artículo de opinión en profundidad (punto de vista) publicado en **sfeir.com** el 24 de junio de 2026, por **Didier Girard** (Director General, SFEIR). **Tesis central**: en 2024 todos apostaban por **AI4Business** (IA en los procesos de negocio) como el gran yacimiento de valor; en 2026 el panorama se ha **invertido** — es **AI4IT** (IA para producir el sistema de información: código, SDLC, fábrica de software) la que genera valor **medible**. El artículo *fundamenta* esta tesis en la vigilancia tecnológica de la firma: decepción de AI4Business (el estudio del MIT «95% de pilotos sin ROI», cuestionado pero revelador; un bloqueo **organizativo** / el problema hayekiano de Mollick) frente a la evidencia cuantificada de AI4IT (Salesforce, Intercom, Raiffeisen, AWS/Bedrock, Atlassian, DORA). Explicación mecanicista: **el código se verifica a sí mismo** (compilación, pruebas, CI) mientras que los procesos de negocio no tienen ni compilador ni bucle de retroalimentación inmediato. **Consecuencia presupuestaria 2027**: un desplazamiento **CapEx→OpEx**, la dinámica de precios de los tokens (pico al alza — Fable 5 a 2× Opus — frente a una inferencia ÷280 y presión a la baja de los pesos abiertos/inferencia de escritorio), y un **AI FinOps** guiado por el **coste por resultado**. Cierra con **4 recomendaciones para el COMEX**.
#AI4IT#AI4Business#inversión
**Didier Girard** — Managing Director (CTO / DG) de **SFEIR** · ESN française (~1 000 personnes, France · Belgique · Luxembourg · Suisse). Auteur de l'article ; voix éditoriale du cabinet sur la transformation IA des DSI.
Anuncio de benchmark de **Artificial Analysis** (plataforma independiente de evaluación de modelos de IA, vía X/Twitter + página del modelo): **GLM-5.2** de **Z.ai** (Zhipu AI, @Zai_org) se convierte en **el modelo de pesos abiertos líder** y asciende al **puesto n.º 3 de la clasificación general** de **GDPval-AA**, un benchmark del mundo real para *trabajo intelectual económicamente valioso* (tareas de largo horizonte, multiturno, agénticas). GLM-5.2 obtiene **1524 Elo**, solo por detrás de **Claude Fable 5 (1783)** y **Claude Opus 4.8 (1615)**, y a la par de **GPT-5.5 (xhigh, 1509)**. Supera con amplio margen al siguiente mejor modelo de pesos abiertos (**MiniMax-M3, 1408**), así como a numerosos modelos propietarios: **Gemini 3.5 Flash (1357)**, **Qwen 3.7 Max (1289)**, **Muse Spark (1158)**. Las tareas son genuinamente agénticas: **~31 turnos por tarea** de media en **1,999 enfrentamientos**. La misma clasificación se mantiene en el **Artificial Analysis Intelligence Index** (1.º entre los modelos de pesos abiertos), el **Agentic Index** (n.º 3) y **AA-Briefcase** (n.º 3, por delante de GPT-5.5 xhigh, solo por detrás de Fable 5). Dato destacado: un modelo de **pesos abiertos** bajo **licencia MIT**, **MoE con 753 mil millones de parámetros / 40 mil millones activos**, **contexto de 1M de tokens**, con un precio de **$1.40/$4.40 por 1M de tokens** de entrada/salida, rivaliza con la frontera propietaria en trabajo agéntico — un avance real para los modelos abiertos.
Ensayo extenso de **Shubham Saboo** (X/Twitter) que plantea una tesis sobre el rol del Product Manager en la era de los agentes: la próxima competencia clave no es la **ingeniería de prompts** sino **Loop Engineering** — diseñar un *sistema que mejora con cada ejecución* en lugar de escribir el prompt perfecto cada vez. Un **loop** es un ciclo repetido: cambiar lo que moldea el comportamiento del agente → ejecutarlo → evaluar el resultado → conservar el cambio si la calidad sube, revertirlo en caso contrario → **acumular el aprendizaje** para que la siguiente versión parta con ventaja. Para un PM, el punto de entrada no es el código sino los **artefactos duraderos** que codifican su criterio: skill de revisión de PRD, *summarizer* de llamadas con clientes, rúbrica de evaluación, checklist de lanzamiento, flujo de investigación, `CLAUDE.md`, plantilla de prompt, marco de priorización. Como se reutilizan, estos artefactos **se acumulan en ambas direcciones** — y **derivan** (drift) silenciosamente (un CLAUDE.md que no deja de crecer, un checklist que se ignora…): el modelo no ha empeorado, son los artefactos los que han derivado sin supervisión. Un loop tiene **5 partes**: disparador, acción, **prueba**, memoria, **condición de parada** (la más crítica). Las **evals** se convierten en trabajo del PM (poner a prueba el artefacto con ejemplos conocidos: 3 PRD buenos / 3 malos, 5 llamadas ya comprendidas, 2 lanzamientos pasados). La **memoria** vive en **GitHub** (el repositorio se convierte en "memoria de producto": commits, diffs, resultados de evals, registro de decisiones, rollback). Primer loop recomendado: un **loop semanal de señal de producto** (cada viernes). El criterio (taste) sigue siendo central — pero ahora necesita **prueba**. Cita a Boris (creador de Claude Code): "ya no escribe prompts, escribe loops."
#Loop Engineering#gestión de producto#PM aumentado
Entrevista en podcast de « À la French » (canal tecnológico en francés, grabado en DevSummit) con Mathieu Grymonprez, Global CDO del grupo Adeo (Leroy Merlin, Obramat, Weldom). Cómo un grupo familiar centenario de retail adopta la ola de IA agéntica: cultura vs. estructura, responsabilidad, costes de tokens y FinOps, lock-in de la inteligencia corporativa, memoria corporativa y orquestación de agentes. Dominio: transformación digital, IA agéntica, retail, estrategia de TI.
#IA agéntica#transformación digital#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
Publicación de LinkedIn de Fred Plais (CEO de Archie, ex-Platform.sh): la IA volvió tan rápidos a los ingenieros que el **cuello de botella se desplazó aguas arriba**, a un lugar que nadie vigila. Al dejar de ser la ejecución la parte lenta, el tiempo de reflexión que solía existir «mientras se construía el código» ha desaparecido: ahora hay que formar la visión correcta y tomar las decisiones correctas en una fracción del tiempo. Están surgiendo dos perfiles poco comunes: el que sabe **articular una visión lo bastante precisa** para que un agente la ejecute sin desviarse, y el que sabe **orquestar agentes** (anticipando sus fallos, encadenándolos, detectando un error antes de que se propague). Contratar por «producción de código» se está volviendo obsoleto: es precisamente lo que ha dejado de ser escaso. Tesis final: «pensar con claridad siempre fue el trabajo; la velocidad solo hizo imposible fingirlo».
#cuello de botella#desplazamiento del cuello de botella#velocidad de ejecución
Artículo de **Paul Sawers** publicado en **The New Stack** el **16 de junio de 2026**, sobre la **suspensión por parte de Anthropic** — *"el mismo día en que estaba previsto que entrara en vigor"* — de la separación de facturación destinada a distinguir el uso del **Agent SDK** de los límites de la suscripción a Claude. **Mensaje citado de Anthropic**: *"We're pausing the changes to Claude Agent SDK usage described below. For now, nothing has changed."* **La aportación del artículo no es el anuncio en sí, sino el contexto que lo rodea**, en tres círculos. **Círculo 1 — la semana de Anthropic**: el 9 de junio, el lanzamiento de **Fable 5 y Mythos 5**, los primeros modelos de clase Mythos disponibles con carácter general, dotados de salvaguardas de ciberseguridad reforzadas; unos días después, una **directiva de control de exportaciones del gobierno estadounidense** obliga a Anthropic a **retirar ambos modelos para todos sus clientes en el mundo**. La suspensión de la política de precios se lee, en este contexto, como *"una pequeña buena noticia"*. **Círculo 2 — daños colaterales del momento elegido**: empresas que ya habían trasladado el cambio a sus propios clientes se ven en aprietos; **Conductor**, una herramienta de codificación multiagente construida sobre el Agent SDK, se ve obligada a publicar un desmentido (*"Anthropic has delayed the subscription updates to Claude plans"*). **Círculo 3 — la tensión de fondo, que va más allá de Anthropic**: una cita de **Boris Cherny** (responsable de Claude Code) de abril, durante una restricción anterior, en la que afirmaba que las suscripciones *"weren't built for the usage patterns of these third-party tools"* — un reconocimiento de que **las tarifas planas y el uso agéntico abierto no encajan**; **GitHub** zanjó la cuestión del mismo modo, eliminando en junio el modelo de tarifa plana de *premium requests* de **Copilot** en favor de una **facturación por tokens**, pese a las protestas. A esto se suma, **la misma semana**, la presentación de una **propuesta de demanda colectiva** ante un tribunal federal de California, que alega que los niveles **Max** se quedan muy por debajo de los multiplicadores de uso anunciados para sesiones intensivas de codificación. Anthropic no precisa cuándo llegará un planteamiento revisado, y se limita a señalar que *"works to update the plan to better support how users build with Claude subscriptions."* **La conclusión del autor**: entre la presión gubernamental sobre Fable y Mythos, una **salida a bolsa** prevista y **rumores de recortes de precios en OpenAI**, Anthropic intenta **mantener de su lado a su base de desarrolladores** — y la suspensión es, por ahora, un medio para lograrlo.
#Anthropic#Claude Agent SDK#suscripción Claude
**Paul Sawers** — journaliste tech · signe ici pour **The New Stack**. Registre de **presse spécialisée** : l'article ne relaie pas seulement l'annonce · il la replace dans une série (les changements de facturation successifs d'Anthropic) · la compare à un précédent sectoriel (GitHub Copilot) et l'articule à trois pressions concomitantes (export control, IPO, concurrence). Sourçage explicite et attribué — le billet de Zed · l'analyse de Matthew Diakonov · le post de Conductor · une déclaration antérieure de Boris Cherny.
Artículo de SFEIR (en francés) que formaliza un SDLC impulsado por IA en 11 fases (0 a 10) y sostiene que el sector converge hacia él. Observación de partida: en 2025, las organizaciones añadieron herramientas de IA sin transformar su modelo operativo, produciendo una paradoja de «todo cambia… y nada cambia» (la velocidad de ejecución se multiplica sin una ganancia proporcional). La verdadera respuesta no es la elección de herramientas, sino el rediseño del ciclo para la ejecución por máquinas. El ciclo de SFEIR se apoya en tres puertas humanas inamovibles (Define, Plan, Ship), fases automáticas entre ellas, y dos momentos de capitalización (Compound-1 antes del despliegue, Compound-2 en producción) que convierten las lecciones en reglas reutilizables. Tres principios: la IA ejecuta (artefactos completos + prueba de ejecución, sin confiar nunca en las afirmaciones del propio agente), el humano conserva el control de la intención, el sistema aprende de forma acumulativa. Resultados medidos (rediseño de 6 meses a 1 día, −30 % de iteraciones tras diez ciclos) y convergencia declarada con ADLC, Google y DORA 2025.
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.
Un artículo pedagógico de **MindStudio Team** (el blog de la plataforma MindStudio, orquestación de flujos de trabajo multi-modelo) 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 (2B de parámetros, derivada de Gemma 2). La tesis: mientras los modelos **autoregressive** (GPT-4, Claude, Gemma estándar) generan texto **token por token, de izquierda a derecha** (atención causal, cada token congelado una vez producido), los modelos de **diffusion** parten de una secuencia **enmascarada/con ruido** y la **refinan de forma iterativa** (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 denoising en lugar de 500 pasadas secuenciales), **infilling** natural y **generación con restricciones** (rellenado de plantillas, completado de código con contexto circundante), y capacidad de **revisión** integrada. Pero a la escala actual (2B), Diffusion Gemma **no alcanza** a los grandes modelos autoregressive (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 generación autoregressive hace años); si el mismo principio se sostiene para el texto sigue siendo una cuestión 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".