Ensayo de **Bill Staples**, CEO de **GitLab**, publicado el **24 de agosto de 2026** en el blog about.gitlab.com: una lectura anunciada de **31 minutos**, unos **39.000 caracteres**, presentado como la continuación de un memorando escrito al consejo de administración en enero de 2026 y publicado parcialmente en mayo bajo el título *GitLab Act 2*. El texto se presenta como una respuesta al playbook de SDLC nativo en IA de **Anthropic**, publicado tres días antes, del que toma prestada la frase de apertura —"Code is no longer the bottleneck"— para plantear la pregunta que lo articula: qué se vuelve escaso cuando el código se vuelve abundante. (A) El diagnóstico económico: la unidad útil no es el costo por línea sino el **costo por cambio aceptado**, que agrega generación, entorno, contexto, verificación, revisión, remediación y gobernanza; la IA colapsa únicamente el término de generación, lo que hace que los demás pesen proporcionalmente más — una organización diez veces más rápida generando "simplemente desplazará la cola". (B) La respuesta arquitectónica: cuatro capacidades —plataforma de agentes, ejecución a escala de máquina, contexto duradero, gobernanza— que forman una capa empresarial que sobrevive al modelo, "The model should be replaceable. The agent should belong to the customer." (1) Tres modos coexisten de forma duradera, desde el legado dirigido por humanos hasta el desarrollo autónomo, en contra de la idea de una curva de madurez única. (2) El pipeline de CI/CD se convierte en el lugar donde se ejecuta el bucle interno, en lugar de ser una puerta de control al final de la cadena. Las cifras citadas son las de Stripe, Spotify y Amplitude; GitLab produce una sola, sobre su propio control de fuente. El corpus ya contiene [[claxton-anthropic-ai-native-sdlc-playbook-2026-08-21]], la fuente a la que este texto responde, y [[sfeir-sdlc-pdlc-articulation-2026-07-22]] sobre la articulación SDLC/PDLC que Staples adopta como propia.
#abundancia de código#costo por cambio aceptado#teoría de las restricciones
Bill Staples · directeur général de GitLab (fonction non affichée par la page) · sur le blog about.gitlab.com.
Entrada de skill: **graphify**, de **Safi Shamsi** (Graphify Labs, Y Combinator S26), convierte un proyecto completo — código, documentación, PDF, imágenes, vídeos — en un **grafo de conocimiento consultable**, invocado mediante `/graphify` desde Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot y una quincena de otros clientes. Observado el **6 de agosto de 2026**: **103.187 estrellas**, **10.024 forks**, repositorio creado el **3 de abril de 2026**. Apache-2.0, Python 3.10+, rama por defecto **v8**. **Tres decisiones de diseño**, expuestas en el README. *"Code maps for free, fully local"*: el código se analiza en un **AST tree-sitter**, de forma determinista y sin LLM, sin que nada salga de la máquina. *"Every edge is explained"*: cada arista se etiqueta como **`EXTRACTED`** (explícita en la fuente) o **`INFERRED`** (resuelta por graphify), con un tercer valor `AMBIGUOUS` que aparece en el informe. *"Not a vector index"*: *"no embeddings, no vector store: a real graph you traverse"*. **Tres salidas**: `graph.html` (grafo interactivo), `GRAPH_REPORT.md` (nodos god, conexiones sorprendentes, preguntas sugeridas) y `graph.json` (grafo persistente, consultable semanas después sin releer los archivos). **Tres modos de consulta** que sustituyen a grep: `query` (subgrafo para una pregunta en lenguaje natural), `path A B` (camino más corto entre dos entidades) y `explain` (vecindario de un concepto). **Cobertura**: 36 gramáticas tree-sitter (~40 lenguajes), además de Terraform, Apex, configuraciones MCP, manifiestos de paquetes, Office, Google Workspace, PDF, imágenes y vídeo/audio transcritos localmente mediante faster-whisper. Comunidades detectadas vía **Leiden**, etiquetadas sin LLM. **Benchmarks**: en LOCOMO, recall@10 de **0,497** frente a 0,149 de supermemory y 0,048 de mem0, pero con menor precisión de QA (45,3% frente a 49,7%); en LongMemEval-S, **76%**, a la par de un RAG denso; y *"Graph build — LLM credits: 0"*. **Puntos a registrar**: la rama `main` mantiene un README de la era v1 que describe un producto distinto (skill exclusiva de Claude Code, la afirmación de "71,5× menos tokens"); el paquete PyPI se llama **`graphifyy`**, con dos *y*, mientras se recupera el nombre `graphify`; y se escribe por defecto un **registro de consultas** en `~/.cache/graphify-queries.log`, que puede desactivarse mediante una variable de entorno.
#skill#grafo de conocimiento#grafo de conocimiento
**Safi Shamsi** — créateur et mainteneur de graphify · et de **Graphify Labs** · société passée par **Y Combinator (promotion S26)** selon le badge du dépôt. Il maintient aussi le site d'annuaire `graphify.net` (cf. [[graphify-net-annuaire-ia-coding-2026-08-06]]) et publie un livre · *The Memory Layer* · sur les idées et l'architecture derrière le projet.
Guía del medio **Every** (every.to/guides) publicada el **2 de junio de 2026**, firmada conjuntamente por **Mike Taylor, Laura Entis y Claude**, que propone una **escala de madurez de 8 niveles para la adopción de IA**. **Tesis central**: la adopción de la IA **no es una carrera hacia la máxima sofisticación** — ***« un nivel más alto no es necesariamente mejor »*** ; hay que identificar el nivel que **se ajusta al propio flujo de trabajo y nivel de confianza**, y luego reevaluar regularmente si subir un escalón aporta **valor real**. ***« La mejor manera de encontrar valor en la IA es usarla de una forma que encaje con tu trabajo. »*** **Eje estructurante**: en cada nivel, *« delegas más de tu trabajo en la IA, y depositas más confianza en ella »* (delegación + confianza crecientes). **Los 8 niveles**: **(1) Chatbot** — interfaz conversacional sin contexto integrado (ChatGPT, Claude, Gemini); **(2) Copilot** — IA integrada en el espacio de trabajo con acceso al archivo actual (Cursor, Claude en Excel, Gemini en Docs); **(3) Agent** — sistema reactivo que ejecuta paso a paso solicitando aprobación (Cowork, Codex); **(4) Autopilot** — se describe el **resultado** y el agente ejecuta de forma autónoma, revisión únicamente del **resultado final** (Lovable, Codex, Claude Code; vinculado al *vibe coding*); **(5) Workflows** — ingenieros que construyen **harnesses** en torno a los agentes (planificación, revisión, verificaciones de confianza, salvaguardas; Compound engineering, Claude Workflows, Copilot AI Studio; paso del vibe coding puntual → **agentic engineering**); **(6) Assistant** — agentes **proactivos y siempre activos** que monitorizan un dominio y presentan información sin que se les solicite (OpenClaw, Hermes Agent, Claude Managed Agents; p. ej. `heartbeat.md` cada 30 minutos); **(7) Multi-agent** — gestión simultánea de **varios agentes de larga duración** con roles distintos (Claude Managed Agents, OpenClaw, Codex Goals; *« firmemente en el terreno de la ingeniería senior »*); **(8) Orchestrator** — un **gestor de agentes** dirige un equipo de subagentes (planificación, delegación, monitorización, consolidación; Gas Town, Paperclip, Symphony/OpenAI; *« altamente experimental »* — incluso los propios ingenieros de vanguardia ocupan este rol). **Puntos óptimos por rol**: los **trabajadores del conocimiento** suelen operar entre los niveles **1-4**, los **ingenieros** entre **5-8**. **Paralelismo canónico con la incorporación de un becario**: *« Espera invertir un esfuerzo similar con tus agentes antes de poder confiar en ellos… en el siguiente nivel de autonomía »* ; y la frase marcadora ***« No presumirías de tener ocho becarios trabajando toda la noche en un proyecto clave sin haber revisado su trabajo. »*** El nivel adecuado depende de **4 criterios**: calidad del resultado, coste, fiabilidad (confianza), riesgo en caso de fallo; y la **capacidad del modelo** desplaza progresivamente el nivel de autonomía "seguro". Un marco directamente utilizable para estructurar una **doctrina de adopción** en el ámbito de la consultoría. Convergencia con *los sistemas alrededor del modelo* (Dropbox/Okumura), la *harness engineering* (Böckeler, Lattice, Wescale), Karpathy (vibe coding → agentic engineering), Cherny (/loop + Routines), y la doctrina del *agent manager* (BFM/Girard).
#adopción de IA#escala de madurez#ocho niveles
**Mike Taylor** · **Laura Entis** et **Claude** (co-auteurs déclarés) · pour **Every** (every.to) · rubrique *Guides*. Mike Taylor est un auteur connu sur les sujets prompt/AI (co-auteur de *Prompt Engineering for Generative AI*) ; Laura Entis est journaliste/éditrice. La co-signature explicite de **Claude** comme auteur fait partie du positionnement éditorial d'Every (entreprise AI-native). Publié le **2 juin 2026**.
El desarrollo de software como oficio, transparencia y confianza, código abierto auténtico, impacto de la IA en las competencias fundamentales - Gilles Chehade - Plakar - OpenSMTPD
#desarrollo de software#artesanía del software#código abierto