Hilo largo publicado en X el **29 de septiembre de 2026** por **Ryan Sarver** (@rsarver), titulado *"Personal AI Should Actually Be Personal"*; unas **1700 palabras**, 91,5 mil visualizaciones en el momento de la recopilación. Punto de partida: **Amazon** bloqueó a **Muse** (**Meta**) en su sitio de compras, y los usuarios perdieron el acceso a su agente de compras, *"un efecto secundario de una disputa en la que no tuve voz."* **(A)** Definición: una IA personal debe ser **propiedad del usuario** (código abierto, datos en un almacenamiento controlado, portabilidad), tener **un único principal**, ofrecer un contrato legible y compensaciones inspeccionables, ejecutarse donde se elija, y ser agradable de usar. **(B)** Observación sobre el panorama actual: Muse inscribe a los usuarios en el entrenamiento por defecto, **Instinct** conlleva una licencia *"perpetua e irrevocable"*; brecha de coste estimada de **3000 a 7000 dólares por usuario al año** frente a 20 dólares al mes. **(C)** Un giro: la pila propia puede acabar siendo mejor, porque el usuario le entrega *"cada rincón de tu vida."* **(D)** Una pila de cinco capas (clientes, harness y conectores, memoria, modelos de dos niveles, máquina) y un llamado a construir una versión productizada de **OpenClaw**. Responde a **Brad Gerstner** sobre la confianza; amplía el cuerpo de trabajo sobre agentes de compras y memoria en markdown.
#IA personal#IA personal#agente personal
Ryan Sarver (@rsarver) · auteur du fil sur X ; fonction non indiquée dans le texte.
Artículo extenso publicado el **14 de septiembre de 2026** en la cuenta de X **@GoogleCloudTech** (~2.000 palabras, cuatro pasos, seis bloques de comandos y configuración), firmado por **Alan Blount**, Technical Solutions Consultant en Google. Punto de partida: una pregunta trivial, confiada a un agente de investigación, facturada en **38 $**. El artículo propone ejecutar **Claude Fable 5.1** y **Gemini 3.8 Flash** en paralelo detrás de la misma API **Gemini Enterprise Agent Platform** (antes Vertex AI). **(1) Configuración**: el acceso a Fable está sujeto al *Advanced AI Safety Addendum* de Google Cloud, que exige una llamada a `setPublisherModelConfig` con el intercambio de prompts y respuestas habilitado para Anthropic, so pena de un 403; Flash funciona en cuanto se habilita. **(2) Benchmark interno** con promptfoo pilotando opencode en dos tareas: en un estado de rama git, Flash responde en **1,1 s** por menos de una décima de centavo mientras Fable cuesta **23 veces más**; en una migración de Postgres a Spanner, Fable produce en **12 s** un DAG formal con riesgos de desviación de reloj y una puerta de rollback, mientras que Flash entrega una secuencia lineal en 3 s. **(3) Uso**: *« coordinación asimétrica »* — el modelo rápido como coordinador de primera línea, el planificador profundo en los puntos de control, una herramienta `ask_for_help` para la escalada, y una advertencia contra los routers dinámicos: *« Keep it boring »*. **(4) ROI de tokens**: el valor del tiempo humano, las funcionalidades entregadas y los incidentes evitados, menos el coste de los tokens y la curva de aprendizaje del equipo. El mismo movimiento de enrutamiento por frontera de tarea que [[mazmanov-portal-spotify-shunt-claude-code-tokens-2026-09-03]], dentro del marco FinOps planteado por [[rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04]].
#enrutamiento de modelos#coordinación asimétrica#tokenomics
Alan Blount (Technical Solutions Consultant, Google Cloud, @zeroasterisk) · publié sur le compte X @GoogleCloudTech.
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.
Entrada de blog de **Pasquale Pillitteri** (ingeniero de software, Palermo) publicada el **29 de mayo de 2026** (versión FR), lectura de 18 minutos, sección *Claude Code & Anthropic*. **Tesis central**: *« Claude Opus 4.8 es el modelo de SEO más potente de 2026, pero casi todo el mundo lo usa mal »* — no es un problema de modelo sino un problema de **sistema**. La regla de oro: ***« la estrategia es una pizarra, la producción es una cadena de montaje »*** — el SEO debe **dividirse en dos fases distintas**, y mezclarlas es *« la forma más rápida de desperdiciar un modelo que cuesta cinco dólares por millón de tokens de entrada y veinticinco por los de salida »*. **Contexto del modelo**: Opus 4.8 se lanzó el **28 de mayo de 2026** (41 días después de Opus 4.7), contexto de **1M de tokens**, **GraphWalks Long-Context F1 a 1M: 40,3% → 68,1%**, **SWE-bench Verified 88,6%**, **USAMO 2026 96,7%** (+27,4 pts), **HLE con herramienta 57,9%**, precio sin cambios de **$5/$25** por millón de tokens, **Fast Mode 2,5× a $10/$50**, cuatro **niveles de esfuerzo** (Low, High, Extra, Max). **El antipatrón central** = *« la conversación gigante »* / **context drift**: mezclar estrategia, investigación de palabras clave, análisis competitivo y redacción en un único chat produce una *« amalgama de intenciones contradictorias »* → el modelo se desliza hacia **buenas prácticas genéricas** ("optimización holística", "enfoque estratégico") en lugar de contenido anclado en datos. **Fase 1 — Estrategia (pizarra, interfaz visual, puntual)**: dashboard / Google Sheet / lienzo de Claude.ai para decidir mientras se observan los datos juntos. **3 jugadas**: (a) **investigación de palabras clave clasificada** (tabla de volumen / dificultad 0-100 / intención / potencial de negocio / prioridad = volumen÷dificultad×peso de negocio); (b) **análisis competitivo visual** (matriz de cobertura de temas, huecos); (c) **hoja de ruta por fases** (quick wins M1-2 / medio plazo M3-6 / páginas pilar M7-12). El modo **Extra/Max** se justifica aquí (*« una decisión estratégica acertada vale más que mil páginas bien escritas sobre las palabras clave equivocadas »*). 3 artefactos cerrados guardados en Notion/Drive. **Fase 2 — Producción (cadena de montaje, Opus 4.8 + MCP)**: el modelo pasa de estratega a **máquina de ejecución**; cada decisión **anclada a datos en vivo** a través del **Model Context Protocol**. **Stack MCP mínimo**: **GSC MCP** (AminForou/mcp-gsc, 500+ estrellas), **Ahrefs MCP oficial** (98 estrellas), **GA4 MCP**; el repositorio `modelcontextprotocol/servers` = **86.440 estrellas**, **más de 10.000 servidores activos**, 97M de descargas del SDK al mes. Configuración ~35 min, actualización mensual ~20 min. **Bucle semanal**: un único prompt extrae datos en vivo, construye el brief (top 10 SERP + GSC + Ahrefs), deriva los H2/H3, redacta, verifica la densidad, sugiere títulos → **+45% de productividad**, borrador en **6-12 min** (referencia explícita al **content engineering de Ryan Law / Ahrefs**, 23 skills). Menciona los **Dynamic Workflows** de Anthropic (hasta 1.000 subagentes). **4 errores frecuentes**: (1) no verificar las cifras (comprobación puntual obligatoria, *trust & verify*); (2) sustituir por completo Semrush/Ahrefs (MCP es una **capa adicional**, no un sustituto); (3) ignorar el **desfase de contenido pago-orgánico** (caso de cliente de educación: **2.742 términos desperdiciados / 351 oportunidades** identificadas en 90 s); (4) usar Opus 4.8 donde **Haiku 4.5** basta (meta descripciones, texto alternativo). **Coste**: $1-3 por artículo de 2.500 palabras. **Sonnet 4.6** basta para la producción recurrente; Opus 4.8 se reserva para la estrategia. Artículo optimizado para SEO y autorreferencial (el autor escribe sobre SEO en un contenido diseñado a su vez para posicionar en "Opus 4.8 SEO"). Convergencia directa con **Ryan Law/Ahrefs** (citado), **sistemas alrededor del modelo** (Dropbox/Okumura), **skills-over-prompts** (Lattice), enrutamiento de modelos Haiku/Sonnet/Opus (Gupta token-to-outcome).
#Claude Opus 4.8#SEO con IA#flujo de trabajo en dos fases
**Pasquale Pillitteri** — Ingénieur informatique / développeur logiciel basé à **Palerme** (Italie) · certifié Innovation Manager UNI 11814:2021. Auteur d'un blog tech actif (rubrique *Claude Code & Anthropic*) · avec une newsletter hebdomadaire (~3,4k lecteurs). Article publié en version **FR** le **29 mai 2026** (lendemain de la sortie d'Opus 4.8).