Entrevista con Andrej Karpathy (cofundador de OpenAI, ex Tesla Autopilot) sobre el paso de *vibe coding* a *agentic engineering*: December 2025 transition como punto de inflexión ("nunca se sintió más rezagado como programador"), la taxonomía Software 1.0/2.0/3.0, el ejemplo openclaw (script bash → texto para copiar y pegar en el agente) y MenuGen vuelto obsoleto por Nanobanana de Gemini, la teoría de la *verifiability* que explica por qué los LLM son *jagged* (picos en matemáticas/código, fallo al "caminar a un lavadero de coches a 50 m"), la distinción entre *vibe coding* (elevar el piso) y *agentic engineering* (preservar el estándar de calidad), la metáfora "animales vs fantasmas", la refundación de la contratación mediante proyectos agente contra agente, y la fórmula clave: ***"Puedes externalizar tu pensamiento pero no puedes externalizar tu comprensión."***
#Andrej Karpathy#vibe coding#agentic engineering
Andrej Karpathy (co-fondateur OpenAI, ex-Tesla Autopilot, créateur du terme "vibe coding")
Hilo de X en formato manifiesto de Rohit (@rohit4verse) que expone la *2026 AI engineer roadmap*: una brecha de 150.000 $ entre el prompt engineer y el systems architect, el fin de los *wrappers genéricos* «sherlocked por las grandes tecnológicas», y 5 proyectos de portafolio clasificados por nivel de complejidad (SLM móvil offline, agente de codificación autoperfectible, *Cursor for video editors* multimodal, agente de sistema operativo de vida personal centrado en la privacidad, agente autónomo de flujos de trabajo empresariales). Cada proyecto describe sus *decisiones arquitectónicas clave* (lazy loading, sliding window, sandboxing, detección de escenas, grafo de conocimiento personal, multiagente basado en eventos, registro de auditoría, RBAC, observabilidad). Eslogan estructurante: *«lo reemplazable: construir wrappers / lo indespedible: desplegar sistemas autónomos»*. Tono imperativo y viral, típico de X en 2026.
#2026 AI engineer roadmap#Rohit#rohit4verse
Rohit (@rohit4verse) — créateur de contenu IA sur X · vulgarisateur d'architecture et roadmaps de carrière en ingénierie IA.
Publicación del **blog de Ahrefs** publicada el **28 de abril de 2026** por **Ryan Law** (Director of Content Marketing, Ahrefs) que describe un sistema interno de **ingeniería de contenido** construido en torno a **Claude Code**: un pipeline editorial que produce **borradores listos para publicar en 6 a 12 minutos**. **Tesis central**: ***« El contenido de IA no es, por defecto, bueno. Este proceso funciona bien porque refleja nuestro proceso editorial humano existente »*** — la calidad no proviene del modelo sino de la **reproducción fiel de un proceso editorial humano** probado durante décadas. Arquitectura: **~23 skill files**, cada uno correspondiente a una etapa editorial (investigación de palabras clave, análisis de brechas temáticas, esquematización estructural, compilación de investigación, generación de borradores, formateo), **orquestados por una skill maestra `blog-pipeline`** que los encadena para producir un artículo completo. **Siete principios de diseño**: (1) **imitar los flujos de trabajo humanos** encadenando skills adaptadas de la documentación editorial existente de Ahrefs; (2) **generar cada etapa por separado** para facilitar el diagnóstico (*« si al final de una ejecución de diez minutos obtienes un artículo malo, es difícil diagnosticar con precisión dónde y por qué falló el proceso »* → guardar las salidas intermedias); (3) **crear casos de prueba** mediante la skill `skill-creator` de Anthropic para evaluar y mejorar las instrucciones; (4) **conectar fuentes de datos de calidad** — el **Ahrefs MCP** (métricas de palabras clave, parent topic, temas de cola larga, resúmenes de SERP, análisis competitivo), análisis competitivo y documentación de producto; (5) **anticipar la dirección humana** mediante parámetros de contexto que permiten orientación editorial; (6) **construir vistas previas interactivas** en formato HTML para su revisión antes de la publicación; (7) **permitir la personalización** (cada miembro del equipo puede hacer un fork del sistema y modificarlo). **Volumen**: ~**15 artículos publicados** y ~**30 artículos actualizados** mediante este flujo de trabajo; el desarrollo comenzó en **febrero de 2026** (el proceso anterior, de **agosto de 2025**, requería varios días e intervención manual). **Advertencias explícitas** (anti-sobreventa): *« la experiencia importa »* — el proceso refleja décadas de experiencia editorial; la selección de temas se centra en **contenido SEO informacional** que el autor conoce bien; Ahrefs **no tiene previsto "escalar" el contenido de forma masiva**, sino que mantiene una **biblioteca evergreen**. Filosofía: automatizar *« las partes formulaicas del trabajo »* para eliminar las tareas tediosas y liberar tiempo para la investigación, el liderazgo de pensamiento, los webinars y la optimización del sistema — **no** reemplazar el esfuerzo humano. Referencia canónica citada por Pasquale Pillitteri (*Opus 4.8 SEO workflow*) como prueba de campo de la ganancia « 6-12 min/borrador ». Convergencia directa con la doctrina **skills-over-prompts** (Lattice, PROJ-AI), los **sistemas alrededor del modelo** (Dropbox/Okumura), y el uso de **HTML como artefacto de revisión** (Shihipar).
#ingeniería de contenido#ingeniería de contenido#Claude Code
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.
FinOps para agentes de IA: un marco de asignación en cuatro pasos para los costes de los asistentes de codificación (Claude Code, Cursor, Copilot) y por qué el etiquetado tradicional de la nube falla - Finout
#FinOps agéntico#asignación de costes#asistentes de codificación
El editorial de Andrew Ng en The Batch #350 establece una **jerarquía de aceleración para agentes de codificación** por tipo de trabajo de software: **Frontend (máxima) > Backend (moderada) > Infraestructura (baja) > Investigación (mínima)**. El razonamiento se basa en la *verificabilidad* implícita (fluidez en TypeScript/JavaScript junto con un bucle autónomo de pruebas agente-navegador en el frontend) y en los puntos ciegos de los LLM (casos límite / seguridad / migraciones de bases de datos para el backend, compensaciones de red opacas para la infraestructura, formación irreducible de hipótesis para la investigación). El número se completa con 4 noticias estructurantes: **GLM-5.1 (Z.ai)**, un modelo con licencia MIT de 754B de parámetros (40B activos) capaz de tareas autónomas de hasta 8 horas de duración (líder de SWE-Bench Pro con 58,4%); **Digit (Agility Robotics) en Schaeffler**, el primer despliegue industrial de humanoides (1,75 m / 65 kg, 10-25 $/h frente a 20 $/h para un humano); la **revuelta antidata centers** (~64.000 M$ bloqueados entre mayo de 2024 y marzo de 2025, moratoria en Maine sobre instalaciones de 20MW o más, cóctel molotov en la casa de Sam Altman); y el **"eje del asistente"** (Christina Lu, MATS / Oxford / Anthropic), que reduce la deriva de persona y los jailbreaks (Qwen3 32B: 83%→41%; Llama 3.3 70B: 65%→33%) sin degradar IFEval/GSM8k/MMLU-Pro/EQ-Bench.
#Andrew Ng#The Batch#DeepLearning.AI
Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités
Reportaje de Les Echos (Florian Dèbes) desde San Francisco: los agentes de IA ya integrados como colegas en start-ups, «placa de Petri» (Aaron Levie / Box), reflejo de Claude antes de cada reunión, Jarvis personal, 5 pestañas de agentes en paralelo, «el factor limitante es la cognición humana» (Patrick Joubert / Rippletide), «brain fry» / sobrecalentamiento cognitivo, estudio de BCG/HBR que sitúa al 14 % de los empleados desbordados, modo de clasificación «token-max» para los mayores usuarios de IA, testimonios de Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau y un eco de Siddhant Khare («la IA reduce los costes de producción pero aumenta los costes de coordinación»).
#Silicon Valley#San Francisco#agentes de IA como colegas
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Renovación del proceso de contratación de ingeniería en Sierra en la era de los agentes de codificación: entrevista presencial nativa en IA (Plan/Build/Review), eliminación de la prueba de codificación algorítmica, sustitución de la entrevista telefónica por una entrevista de diseño de sistemas, prueba piloto de una entrevista de depuración sobre una base de código existente.
#contratación de ingeniería#entrevista técnica#agentes de codificación
Informe conjunto **DORA × delta** (Google Cloud Professional Services), 60 páginas, versión **v. 2026.1** (citas de febrero de 2026, PDF creado el 21 de abril de 2026), licencia **CC BY-NC-SA 4.0** — el primer framework oficial de **ROI de DORA** dedicado a la IA en el SDLC, con una **calculadora interactiva** en dora.dev/ai/roi/calculator. Tesis central: ***"AI is an amplifier"*** — la IA **amplifica** simultáneamente las fortalezas de las organizaciones de alto rendimiento y las disfunciones de las organizaciones en dificultades; no crea rendimiento, lo **multiplica allí donde ya existe**. Nuevo concepto central: la ***J-Curve of AI value realization*** — toda adopción de IA atraviesa una **caída temporal de la productividad** (curva de aprendizaje + impuesto de verificación + adaptación del pipeline) antes de un **crecimiento exponencial**, una metáfora del *"coste de escolaridad de la transformación"* que debe **presupuestarse explícitamente**. Cálculo de referencia: organización de 500 ETC / salario totalmente cargado de 176.000 $ / 12,5 % de tiempo ahorrado por desarrollador (≈ 1 h en una jornada de 8 h) → **valor 11,6 M$ / inversión 8,4 M$ / ROI 39 % / periodo de recuperación 8 meses (0,7 año)**. Costes modelizados: licencias (250 $/usuario/año), API adicional (80 $/usuario/año), formación (9.600 $/usuario/año), infraestructura (100.000 $/año), coste de la curva en J (3,3 M$ por una caída del 15 % durante 3 meses). Valor modelizado: **capacidad de reinversión de la plantilla** (11 M$ — capacidad liberada para reinvertir, **NO reducción de plantilla**), ingresos por despliegues de funciones adicionales (990.000 $, basado en una tasa de éxito de ideas del 33 %, Larsen 2023), **impacto negativo de las interrupciones** (−344.000 $, «impuesto de inestabilidad»). **Estrategia de reinversión explícita**: ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvertir en innovación, retener el talento, capitalizar el conocimiento institucional. Cinco pilares del valor: Productividad / Experiencia de usuario / Eficiencia de costes / Experiencia del desarrollador / Crecimiento del negocio (del más directo al más indirecto, *valor de negocio acumulado*). Cinco claves sistémicas de adopción: **Confianza + Plataforma + Datos + Usuarios + Barreras de protección**. Hoja de ruta en dos fases: (1) **Construir la capa de contexto (CapEx)** — IDP de calidad + ecosistemas de datos saludables; (2) **Empoderar al humano en el bucle (OpEx)** — context engineering + confianza en la IA. Indicadores: adelantados = frecuencia de experimentación + frecuencia de despliegue; indicador de estabilidad = tasa de fallos de cambio + retrabajo. Tres escenarios a modelizar (Conservador 0,8 valor × 1,5 coste / Realista 1,0 / Optimista 1,2 × 0,8). Datos externos movilizados: el 78 % de los directivos declara ROI en ≥1 caso de uso de IA generativa (Google Cloud), el 88 % de los adoptantes tempranos de IA agéntica constata un ROI positivo, **productividad del 35-40 % en greenfield frente a ≤10 % en brownfield/legado** (Stanford), coste de inferencia dividido por 280 entre noviembre de 2022 y octubre de 2024 (Stanford AI Index 2025), **ROI del 727 % en 3 años** para los clientes de IA de Google Cloud, periodo medio de recuperación de la IA en el mercado de **8 meses**. Debilidades reconocidas: *"all models are wrong"* — el modelo necesita contextualizarse, la calculadora necesita ajustarse; riesgo de doble contabilización del valor (tiempo ahorrado → tanto contratación evitada COMO ingresos adicionales); un vínculo «laxo» con la experiencia de usuario, por lo que queda excluido de la calculadora. **Perspectiva deontológica**: ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — se mide por los cuellos de botella eliminados, no por el volumen de código. **Relevancia mayor** para CIO/CTO que necesitan construir un business case de IA defendible ante un CFO/consejo de administración; para Francia/Europa, a articular con Wescale (X3-X4 realista), Tatsyi/Raiffeisen Bank Ukraine (caso de estudio bancario, −75 personas pero reinversión deliberada), Frizzo (mediana de 3-5×), Curran/Intercom (3× I+D en 16 meses), DORA Report 2025 (sobre el que se apoya este ROI).
#DORA ROI of AI-assisted software development#informe Google Cloud DORA 2026.1#curva en J de la materialización del valor de la IA
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.
Síntesis de Addy Osmani (Google, Chrome/Cloud) sobre el campo emergente de la *harness engineering*: la ecuación `agent = model + harness`, el principio *ratchet* ("cada error se convierte en una regla"), el replanteamiento "skill issue" de HumanLayer, la evidencia de Terminal Bench (de Top 30 a Top 5 solo con un cambio de harness), la arquitectura en capas de Claude Code, la visión de Anthropic "los harnesses no se reducen, se desplazan", y Harness-as-a-Service (Claude Agent SDK, Codex SDK, OpenAI Agents SDK). Artículo bisagra que consolida a Trivedy, HumanLayer, Anthropic y Böckeler en una doctrina.
#harness engineering#agent harness#Addy Osmani
Addy Osmani (Software Engineer at Google, Cloud + Gemini)
Agente semántico: la simetría entre modelo+harness y ontología+datos, el colapso de los frameworks de agentes, la ontología como el único activo no comoditizado
Actualización pública de Darragh Curran (I+D, Intercom) nueve meses después de su compromiso de duplicar la productividad de I+D en 12 meses mediante IA. Resultado: **3x alcanzado en 16 meses, sin señales de estancamiento**. Datos cuantificados de una organización de I+D de 500 personas / 8,5 M líneas de código: **93,6 % de los PR son impulsados por agentes**, **19,2 % aprobados por IA** (objetivo >50 %), coste/PR **-50 %**, backlog de defectos **-54 %**, tiempo hasta el despliegue **-39 %**, tiempo de inactividad por cambios disruptivos **-35 %**, el 5 % superior de los desarrolladores alcanza **6x el rendimiento mediano de PR**, **497 PR autónomos** en las primeras 4 semanas, **153 contribuyentes / 267 skills especializadas** en una *Skills-Based Plugin Architecture* privada. Curran declara: ***"Todo el trabajo técnico se está volviendo agent-first. Esta es la máxima prioridad para I+D."*** Artículo clave del dossier sobre la *organización agent-first*, comparable únicamente con Stripe Minions y StrongDM en el corpus de 2026.
#Darragh Curran#Intercom#Fin Ideas
Darragh Curran (R&D leader, Intercom — publication via Fin Ideas, plateforme média Intercom).
FinOps para agentes de IA centrado en el "coste por resultado": por qué el FinOps tradicional falla frente al comportamiento en tiempo de ejecución, guardrails, observabilidad conductual y un ciclo de vida de 4 fases - Orq.ai
#FinOps agéntico#coste por resultado#comportamiento en tiempo de ejecución
Episodio #351 del podcast en francés **If This Then Dev** (Bruno) con **Julien Lépine**, Chief Technology Officer de **AWS France** (13 años en Amazon), grabado al margen del **AWS Summit Paris** (1 de abril de 2026, ~10.000 asistentes). Tesis central: en la era agéntica, escribir código pasa a un segundo plano, y el valor se desplaza hacia **comprender el contexto, los compromisos arquitectónicos (trade-offs) y la responsabilidad humana**. Prueba central: el **rediseño de Amazon Bedrock** — una plataforma crítica que gestiona miles de miles de millones de solicitudes — por un equipo de **6 personas en 72 días** (frente a una estimación de 30 personas / 18 meses), **código generado íntegramente por IA**, sin vibe coding. AWS está **estandarizando internamente en Kiro** (IDE + CLI, ejecutado sobre Claude Sonnet/Opus) para ~30.000 desarrolladores (anunciado por Matt Garman en re:Invent). Hilo conductor: **mantener el control** sin revisarlo todo — mediante **modelado formal (TLA+)** y **Raisonnement automatisé** para demostrar invariantes y acotar a los agentes, **post-mortem sin culpabilización (blameless)**, y el principio de que «la responsabilidad de la acción de un agente recae en la persona que lo opera». Surgimiento del **AI DLC** (sprints → múltiples **Bolts** diarios) y el riesgo de **sobrecarga cognitiva / burn-out**.
#AWS Summit Paris#Amazon Web Services#agentes de código
**Julien Lépine** — Directeur de la technologie (CTO) d'Amazon Web Services France · 13+ ans chez Amazon ; ses équipes accompagnent les clients AWS sur le cloud · la data et l'IA. **Hôte** : Bruno (créateur et animateur du podcast *If This Then Dev*).
Informe de Bain & Company (**abril de 2026**) (David Lipman, Greg Callahan, Daniel Goetz, George Sunderland — parte 1/5 de la serie *"software industry in the age of AI"*) que analiza el impacto de la IA en la **Rule of 40** (métrica canónica de SaaS: *tasa de crecimiento + margen de beneficio ≥ 40%*) y concluye en una **doble presión**: **vientos en contra** (ralentización del crecimiento del mercado + costes masivos de infraestructura de IA) y **vientos a favor** (productividad de la IA + transformación del 10-25% del EBITDA + pricing basado en resultados). **Dato central llamativo**: un caso de cliente de *marketing technology* — **los costes de IA se multiplicaron por 3,49 (+349%) mientras que los ingresos solo crecieron un 38%** en un año. **Tesis pivote**: los líderes de SaaS podrían tener que ***"conformarse con la Rule of 30"*** temporalmente para seguir siendo competitivos frente a los **AI-natives**, aceptando una compresión de margen a corto plazo a cambio de un posicionamiento a largo plazo. **Dos vías explícitas**: (1) ***Financialize*** — minimizar la inversión en IA, optimizar la caja, operar como un *"generador duradero"* pero limitar el crecimiento futuro; (2) ***Invest to Grow*** — aceptar la presión de margen a corto plazo, reinvertir agresivamente en capacidades de IA en producto y operaciones. **Vientos a favor en detalle**: productividad en ventas/marketing/I+D, transformaciones exitosas = **+10-25% de EBITDA**, futura oportunidad de *outcome-based pricing* (los ingresos se desplazan de asientos fijos hacia la economía de mano de obra/operaciones), los operadores establecidos pueden aprovechar sus relaciones con clientes y flujos de trabajo integrados frente a los retadores AI-native. **Vientos en contra en detalle**: *"software penetration is topping out in some areas"* (saturación del mercado), la infraestructura de IA + inferencia + acceso a modelos introducen **costes variables significativos en negocios que históricamente han tenido márgenes altos**. **Señal para CFO/consejo**: la propia Rule of 40, como **norma estable**, empieza a desplazarse; algunos actores quedarán temporalmente fuera de esta norma y **eso es estratégicamente racional**. **Gran relevancia** para CFO/CEO/consejos de SaaS B2B e inversores de PE/VC en software que evalúan sus carteras — el primer benchmarking institucional cuantificado del dilema *proteger márgenes / invertir agresivamente* en 2026. Relacionar con: Bain **parte 2/5 cross-system labor $100B** (2026-05), DORA ROI 2026 (marco financiero), Wescale (X3-X4 realista), Tatsyi/Raiffeisen (banco −75 personas), Curran/Intercom (3× I+D en 16 meses), Menlo Ventures *State of Generative AI Enterprise* (2025-12-09).
#Bain & Company#Rule of 40#tasa de crecimiento más margen de beneficio
**David Lipman · Greg Callahan · Daniel Goetz · George Sunderland** — partners et experts Bain & Company spécialistes industrie logicielle / SaaS / private equity software. Article publié en **avril 2026** sur bain.com/insights · **partie 1/5** d'une série Bain sur *"the software industry in the age of AI"*. La partie 2 (*The $100-Billion SaaS Opportunity Hiding in Cross-System Labor*, mai 2026) est dans le dossier de veille.