Post de ingeniería de **Spotify** publicado el **3 de septiembre de 2026** en engineering.atspotify.com (~1.600 palabras, nueve secciones, dos manifiestos YAML, cuatro ejemplos de línea de comandos), escrito por **Dimitri Mazmanov**, Principal Product Manager. Describe una configuración personal diseñada para sacar las tareas de E/S del contexto de **Claude Code**. La premisa planteada de entrada: *« Most of what an AI coding agent does for me isn't thinking. It's I/O »* — leer cinco archivos para responder a una pregunta sobre un único método, producir una prueba modelada sobre las otras veinte del directorio. **(A) Los modos.** **Portal by Spotify** expone *AiKA Modes*, agentes declarativos sobre un runtime efímero — instrucciones, modelo, temperatura, herramientas **MCP** — comparados con *« AWS Lambda, but for agents »*; dos modos públicos, `bulk-reader` y `code-writer`, se ejecutan aquí sobre **Gemini 2.5 Flash**. **(B) El enrutamiento.** Un plugin de Claude Code llamado `shunt` sustituye las reglas de `CLAUDE.md`, consideradas *« advisory, not enforced »*, por tres capas: hooks `PreToolUse` que bloquean cualquier lectura más allá de **350 líneas** (umbral ajustable mediante `SHUNT_MIN_LINES`), dos scripts bash que llaman a la CLI de Portal, dos skills que proporcionan la sintaxis de invocación. El corpus pasa al modelo secundario y **nunca entra en el contexto de Claude**. **(C) Mediciones y sus límites.** En un monorepo Java, cuatro escenarios, el ahorro medio declarado es de **~90%** en `bulk-read`; el autor señala que el escenario `code-write` es *« harder to measure »*, y enumera tres limitaciones — edición no delegable, razonamiento no delegable, **10 a 30 segundos** de latencia por llamada. Prolonga las cuestiones de presupuesto de [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]] y la delegación examinada en [[willison-fable-judgement-delegation-subagents-2026-07-03]].
#Portal by Spotify#AiKA Modes#shunt
Dimitri Mazmanov (Principal Product Manager, Spotify) · sur le blog d'ingénierie engineering.atspotify.com.
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**.
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.
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.