Una nota de vigilancia de **Didier Girard** publicada en **X** el **7 de agosto de 2026**, que interpreta el lanzamiento de **Shieldstral 1.0 3B** (Mistral AI, 4 de agosto de 2026) no como el lanzamiento de un producto sino como **el despliegue en producción de una doctrina**. Punto de partida: el **13 de mayo de 2026**, ante la comisión de investigación de la Asamblea Nacional sobre las vulnerabilidades digitales, **Arthur Mensch** rechazó cualquier papel de supervisión de Mistral sobre el uso final de sus modelos — *"no tenemos legitimidad democrática"* — rechazando explícitamente la postura de **Anthropic**. Menos de tres meses después, Mistral lanza un **modelo de moderación**. El autor descarta la contradicción aparente: **Shieldstral no incorpora ninguna taxonomía de lo lícito y lo ilícito**, responde a una **pregunta que escribe el usuario**. **El mecanismo es el corazón de la nota**: un prompt en tres partes (contexto + severidad / una única pregunta cerrada / el contenido a juzgar), una respuesta `yes` o `no`, y el **softmax sobre estos dos tokens** produce una puntuación continua entre 0 y 1. **La política de moderación no está en los pesos, se lee en el momento de la inferencia** — mientras que **Llama Guard 4** incorpora la taxonomía de MLCommons fijada en el entrenamiento, Shieldstral lee la vuestra en lenguaje natural, modificable **sin reentrenamiento**. El informe técnico (**arXiv:2607.25857**, 28 de julio de 2026) cuantifica el coste de esta elección: el ajuste fino solo con datos públicos = **61,1% de F1** en adaptabilidad de política; **4,4 millones de pares contrastivos** generados por un LLM (el mismo contenido reescrito para infringir una política pero no su política hermana) = **+23,3 puntos**; **91,3%** tras la fusión de tres checkpoints. Características: **3.800 millones de parámetros reales** (el «3B» del nombre redondea a la baja), base **Ministral 3** + codificador de visión **Pixtral**, **12 idiomas**, **16 GB de VRAM en BF16**, **Apache 2.0**. Rendimiento en texto: **84,9% de F1 promedio**, a la par de **GPT-OSS-Safeguard-20B** (siete veces más grande), por delante de **Qwen3Guard-8B** (84,0) y muy por delante de **LlamaGuard-4-12B** (69,1). **Una salvedad planteada por el propio autor**: *todas estas cifras provienen de Mistral, sobre conjuntos de prueba seleccionados por Mistral, y no existía ninguna evaluación de terceros a fecha del 6 de agosto*. La tesis estructurante de la nota es una **oposición de topologías**: en **Anthropic**, la barrera de seguridad vive **en los pesos** y el editor arbitra quién queda exento de ella (**Claude Fable 5** público con medidas de seguridad / **Claude Mythos 5** sin ellas, reservado a los ciberdefensores aprobados de **Project Glasswing**, 9 de junio de 2026); en **Mistral**, la barrera de seguridad **se sitúa fuera del modelo** — un componente separado, abierto, autoalojable, cuya política pertenece a quien lo despliega. Alineación explícita de clientes (ministerio de las Fuerzas Armadas, BNP Paribas, administraciones gubernamentales francesa y luxemburguesa). La nota cierra con un **contratiempo documentado en tres puntos**: **auditabilidad** (salida binaria, sin traza de razonamiento, mientras que quien despliega hereda la carga de la justificación en una auditoría de la AI Act), **robustez** (el primer capítulo del *Tratado sobre la tolerancia* de Voltaire clasificado como «llamada a la violencia» por un usuario en el hilo de Hacker News — una confusión entre mención y respaldo), **disponibilidad** (a fecha del 6 de agosto: sin endpoint facturado en La Plateforme, sin Ollama oficial). Tres reglas de despliegue para cerrar.
#Shieldstral#Shieldstral 1.0 3B#Mistral AI
**Didier Girard** — auteur de la note · publiée sur son compte X. Écrit ici en **analyste de doctrine industrielle** plutôt qu'en testeur : il n'a pas déployé le modèle · il croise une **audition parlementaire** (Mensch, 13 mai) · un **lancement produit** (Shieldstral, 4 août) · un **rapport technique** (arXiv, 28 juillet) et un **contre-exemple concurrent** (Anthropic, 9 juin) pour montrer qu'ils forment une position cohérente. Deux marqueurs de posture : il **borne explicitement la valeur des chiffres** qu'il cite (aucune évaluation tierce) et il **termine par des règles opérationnelles** — l'analyse doit sortir avec sa traduction en décisions de déploiement.
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**.
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)
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
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.
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.