Publicación en X de **Andrew Ng** del **14 de agosto de 2026** (16:29 UTC), que retoma la carta «Dear friends» de ***The Batch* #366** (DeepLearning.AI, misma fecha), ~900 palabras. Ng presenta **The AI Engineering Skills Map** y publica **cuatro habilidades** consideradas las más importantes. **(1) Construir y desplegar aplicaciones de IA** — se nombra la especificidad: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, de ahí el énfasis en los *evals* y los bucles de análisis de errores. **(2) Fundamentos de ingeniería de software**, porque *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — el desarrollador inexperto fracasa *« because they don't know what context to give their coding agent »*, de ahí el objetivo de *« steering coding agents using the precise language of software engineering »*. **(3) Uso de agentes de codificación**, en una formulación operativa: *« help the agent autonomously close loops by providing verifiers or evals »*, y *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, junto con *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Una **nota terminológica** aporta la mayor parte del enfoque: Ng habla de **habilidades** en ingeniería de IA y **no del rol** "AI Engineer", con una analogía explícita — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* El conjunto se apoya en *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, de la cual **no se publica ningún resultado numérico**: Ng describe su proceso como *« informally… akin to running clustering »* y anuncia un mapa detallado en futuras publicaciones. Declara el interés en la penúltima frase: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#mapa de habilidades#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Página de referencia publicada en **eventuallycoding.com** el **28 de julio de 2026** por **Hugo Lassiège** (Lyon, desarrollador convertido en emprendedor, autor de Bloggrify, Hakanai y Writizzy). El autor la presenta así: *«Esto será más una página de referencia que un artículo»*, pensada para su propia página de recursos. **Tema**: una descripción exhaustiva y detallada de una **fábrica de software en solitario** donde *«el código producido es ahora casi 100% generado»*, en varios monorepos políglotas (Nuxt, Kotlin, JS — Hakanai, Writizzy, Bloggrify) en **despliegue continuo a producción**. **Distinción planteada de entrada**: esto no es **vibe coding** en el sentido de Karpathy (experimentación, dejarse llevar) sino context engineering — *«dar todo el contexto necesario, en el momento adecuado, para que el software se ajuste a una intención y esté sistemáticamente controlado»*, con la frase que fundamenta la responsabilidad: *«Aunque no escriba el código, soy responsable de él y debo mantener el control sobre él»*. **Todo el conjunto de herramientas responde a tres preguntas**, y esta es la grilla de lectura más reutilizable del texto: *«¿Qué sabe el agente?»* (contexto, memoria, grafo de código) — *«¿Qué sabe hacer de forma determinista, sin improvisar?»* (skills, procedimientos) — *«¿Qué lo detiene cuando se equivoca?»* (hooks, tests de arquitectura, quality gates). **Seis capas detalladas**: (1) **contexto** — `CLAUDE.md` raíz + `.claude/rules/*.md` temáticos cargados condicionalmente vía `paths:` + `.agents/*.md` para asuntos no técnicos (personas, posicionamiento, tono); (2) **skills** — una treintena, criterio de existencia *«si explico lo mismo una tercera vez»*; (3) **herramientas** — MCP del IDE de JetBrains, **GitNexus** (grafo de código: `impact(symbol)`, `detect_changes()`), Claude-mem, wrapper de filtrado RTK, Sentry, base de datos de solo lectura; (4) **guardrails ejecutables** — hooks del harness, **tests de arquitectura**, linting de patrones (**ast-grep** para decisiones de arquitectura, no solo ESLint); (5) **fábrica** — quality gate bloqueante con `needs:` sobre el job de calidad, cinco etapas de pruebas; (6) **proceso de producto** — specs numeradas con una skill de redacción **y una skill de cierre**, diseño en Claude Design, entrega escalonada tras feature flags, distinción entre **feature flipping** (Unleash) y **gating** (contrato con el cliente). **La regla que lo resume todo**: *«Lo que importa debe ser ejecutable. Una instrucción se sigue 'la mayoría de las veces'… Un hook o un test se sigue siempre»*. **Una rareza para el género**: una sección «Por mejorar» que expone cuatro limitaciones vividas — la **imposibilidad de medir la obsolescencia de una regla** (*«no tengo forma de saber si una regla antigua se ha vuelto obsoleta»*), el **rabbit hole** creado por una regla boyscout, la **falta de empaquetado** de las skills entre proyectos, y sobre todo la admisión de tensión: *«cada vez soy menos útil durante las fases de implementación»*, *«dividido entre la satisfacción de tener una fábrica cada vez más eficiente y el riesgo de perder conocimiento»*.
#fábrica de software#context engineering#vibe coding
**Hugo Lassiège** — développeur devenu entrepreneur · basé à **Lyon** · écrit du code depuis 2001 et tient **eventuallycoding.com** (le blog a porté le nom `hakanai.free.fr` avant de devenir *Eventuallycoding* en 2013). *Eventuallycoding* est le nom-parapluie qui regroupe ses projets · sa chaîne YouTube et ses blogs.
Artículo de opinión en profundidad publicado en **sfeir.com** el 23 de julio de 2026, firmado por **SFEIR** (la voz editorial de la firma). Es un **comentario estratégico sobre la nota Trésor-Éco n.º 391** de la DG Trésor (junio de 2026 — véase [[dgtresor-ia-effets-emploi-2026-06-30]]), leído a través de la doctrina de SFEIR de « **amplificar la IA en lugar de padecerla** ». El artículo elogia el **tono cauteloso de economista** de Bercy (mecanismos más incertidumbre en lugar de una predicción) y extrae de ello una **tesis en tres partes**: (1) **ningún efecto agregado medible** en esta etapa (dos fuerzas que se compensan — desplazamiento vs. productividad — adopción en la UE ~20%); (2) una **única señal empírica sólida, sobre los junior** (−16% de empleo entre los 22-25 años expuestos en EE. UU.); (3) un **peligro a largo plazo que desplaza la pregunta** — el **retraso competitivo** (la no adopción), no la destrucción de empleo. El núcleo analítico que retiene SFEIR: la **elasticidad-precio** determina el efecto sobre el empleo (la paradoja de **Jevons** aplicada al código) → el argumento es **estructuralmente favorable al empleo para los desarrolladores**. El artículo **desmonta el relato de los "despidos por IA"** (4,5-6,2% de los anuncios de despidos en EE. UU., «etiquetado» en el 59%) y señala los **puntos ciegos** de la nota (el escenario agéntico relegado a una nota al pie; la velocidad de difusión no discutida; el hecho de que OpenAI/Anthropic se hayan convertido en fuentes para Bercy = un sesgo de fuente no señalado). La **traducción operativa de SFEIR** (para CIO/CTO): el valor migra hacia la intención/arquitectura/control, formar **ingenieros aumentados** (programas **AI Champions**), y evitar una adopción precipitada (**workslop**, deuda técnica) mediante **context engineering** y gobernanza.
#IA y empleo#retraso competitivo#no adopción
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »). Positionnement de la maison sur la transformation IA des DSI ; ce texte prolonge la ligne éditoriale portée notamment par Didier Girard (cf. [[girard-sfeir-ai4it-vs-ai4business-budgets-2027-2026-06-24]]).
Análisis del gabinete de ingeniería de SFEIR («una lectura de ingeniero») sobre el lanzamiento, el 16 de julio de 2026, de **Kimi K3** por el laboratorio chino **Moonshot AI**: un **modelo de pesos abiertos (open-weights) de nivel frontera** cuyo proveedor afirma **~2,8 billones de parámetros**, un **contexto de un millón de tokens** y una **publicación de los pesos antes del 27 de julio de 2026** (probablemente bajo una licencia Modified MIT, como en el linaje K2). Tesis: una capacidad que antes se creía reservada a los grandes propietarios (Anthropic, OpenAI, Google) está pasando a estar disponible **en pesos abiertos, a precio de descuento, desde un laboratorio chino**. SFEIR —pese a ser **partner de Anthropic y de Google Cloud**, y por tanto «sin ningún interés en sobrevender un modelo chino»— adopta una **advertencia metodológica** cardinal: el día del lanzamiento **no existe ninguna tabla de benchmarks oficial y completa**; las especificaciones (2,8 billones, Kimi Delta Attention, +25 % de eficiencia de entrenamiento) y las puntuaciones son **declaradas por el proveedor** o proceden de **arenas comunitarias**, «que deben tratarse como afirmaciones, no como hechos medidos». La nueva arquitectura (**Kimi Delta Attention**, atención lineal híbrida; decodificación que se afirma hasta **6,3 veces más rápida** a 1M de tokens) rompe con la cadencia de K2 (K2 jul. 2025 → K2.7 Code jun. 2026, un modelo insignia cada dos meses); dos variantes acompañan el lanzamiento (**K3 Max**, **K3 Swarm Max**), con el retiro forzado de la serie kimi-k2.5/moonshot-v1 el **31 de agosto de 2026**. **La verdadera arma es el precio** (~3 $/M de entrada, 0,30 $ en caché, 15 $ de salida según fuentes secundarias): un modelo frontera de pesos abiertos a este nivel **arrastra hacia abajo toda la curva de precio-rendimiento** — la comoditización de la capa de modelo, acelerada por el open source. Pero la singularidad decisiva no es una puntuación: es la **reversibilidad**. Un modelo frontera de pesos abiertos convierte una API consumida (dependencia del proveedor) en una **opción** (autoalojamiento, portabilidad, salida del lock-in), al precio de una infraestructura pesada para alojar 2,8 billones de parámetros. La postura de SFEIR: **el open-weights cambia la pregunta, no solo la respuesta** — ya no «¿qué modelo es mejor/más barato?», sino «¿qué parte de mi sistema estoy dispuesto a hacer depender de un proveedor que no controlo?». La postura correcta sigue siendo un **portafolio enrutado** (un modelo por tarea, un modelo por restricción), y Kimi K3 añade una **columna «reversibilidad»** a la grilla de decisión. La convicción «AI Only» permanece intacta: el modelo es un commodity, la ventaja duradera reside en la ingeniería que lo rodea (Context Engineering, harness, gobernanza de costes, capacidad de cambiar de opinión). Las cifras aún deben validarse «por cuenta propia» — en tus propios repositorios, con tus propios datos.
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**.
Entrevista en podcast «À la French» (canal tecnológico en francés, grabado en DevSummit) con Mathieu Grymonprez, Global CDO del grupo Adeo (Leroy Merlin, Obramat, Weldom). Cómo un grupo familiar centenario del retail adopta la ola de la IA agéntica: cultura vs. estructura, accountability, coste de tokens y FinOps, lock-in de la inteligencia empresarial, memoria de empresa y orquestación de agentes. Ámbito: transformación digital, IA agéntica, retail, estrategia TI.
#IA agéntica#transformación digital#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
Entrada de blog de **Anthropic / claude.com** por **Thariq Shihipar** (Member of Technical Staff, equipo Claude Code), publicada el **3 de junio de 2026**, que destila la **experiencia interna** de Anthropic sobre el diseño y uso de las **Skills**. **Tesis de encuadre**: una Skill no es un simple archivo markdown sino una **carpeta** (instrucciones + scripts + recursos + configuración + hooks) que el agente **descubre y manipula**; *« You should think of the entire file system as a form of context engineering and progressive disclosure. »* El artículo aporta dos contribuciones estructurantes. **(A) Una taxonomía de 9 categorías de skills** observadas en Anthropic: (1) **Library/API Reference** (documentación de libs/CLIs internas con *gotchas* — p. ej. `billing-lib`, `internal-platform-cli`, `sandbox-proxy`); (2) **Product Verification** (pruebas/verificación mediante Playwright o tmux — `signup-flow-driver`, `checkout-verifier`, `tmux-cli-driver`); (3) **Data Fetching & Analysis** (acceso a stacks de datos/monitorización — `funnel-query`, `cohort-compare`, `grafana`, `datadog`); (4) **Business Process Automation** (flujos de trabajo repetitivos — `standup-post`, `weekly-recap`, `create-<ticket>-ticket`); (5) **Code Scaffolding** (boilerplate de frameworks — `new-migration`, `create-app`); (6) **Code Quality & Review** (`adversarial-review`, `code-style`, `testing-practices`); (7) **CI/CD & Deployment** (`babysit-pr`, `deploy-<service>`, `cherry-pick-prod`); (8) **Runbooks** (diagnósticos multi-herramienta — `<service>-debugging`, `oncall-runner`, `log-correlator`); (9) **Infrastructure Operations** (mantenimiento con salvaguardas — `<resource>-orphans`, `cost-investigation`). **(B) Un conjunto de buenas prácticas**: no repetir lo obvio (*« Claude already knows how to code and can read your codebase »* → apuntar a lo que **contradice el comportamiento por defecto**); pulir la **sección Gotchas** (*« the highest-signal content in any skill »*); **divulgación progresiva** a través del árbol de archivos (dirigir hacia archivos de referencia según la situación en lugar de cargar todo por adelantado); **descripciones escritas para el modelo** (*« the description field is not a summary, it's a description of when to trigger this skill »*); **flujos de configuración** (config en `config.json`, o en su defecto preguntar vía `AskUserQuestion`); **memoria persistente** (logs append-only / JSON mediante la variable `${CLAUDE_PLUGIN_DATA}`); **scripts auxiliares** (*« lets Claude spend its turns on composition… rather than reconstructing boilerplate »*); **hooks conditionnels** (habilitados solo durante la skill — p. ej. un hook de seguridad que bloquea comandos destructivos). **Distribución en Anthropic**: las skills se almacenan en `./.claude/skills`, se comparten de forma informal vía Slack en una carpeta sandbox, y luego se promueven mediante **PR** al **marketplace** interno una vez que ganan tracción; **medición de uso** mediante un **hook PreToolUse** que registra las invocaciones (revelando las skills populares frente a las infrautilizadas). Continuación directa de la fiche [[shihipar-claude-code-html-unreasonable-effectiveness-markdown-2026-05-10]] (mismo autor) y complemento concreto a las fiches sobre Skills de Anthropic/Willison/Vincent y al *harness engineering*.
#skills#Claude Code#Anthropic
**Thariq Shihipar** (Member of Technical Staff chez Anthropic, équipe **Claude Code** ; @trq212 / @trq sur X, thariqs.github.io) · pour le blog **claude.com**. Même auteur que la fiche *Using Claude Code: The Unreasonable Effectiveness of HTML* (2026-05-10). Publié le **3 juin 2026**.
Whitepaper de Google (la entrega "Day 1" de una serie, de Addy Osmani, Shubham Saboo y Sokratis Kartakis) que traza la transformación del ciclo de vida del desarrollo de software (SDLC) en la era de los agentes de codificación. Tesis: el cambio fundamental no es un nuevo lenguaje, sino el paso de escribir código a **expresar intención**. El documento plantea un espectro que va del *vibe coding* (proponer y aceptar) a la *agentic engineering* (la IA implementa bajo restricciones, pruebas y bucles de retroalimentación diseñados por humanos), con la **context engineering** como habilidad central, el modelo de **software factory** (el entregable del desarrollador = el sistema que produce el código), la **harness engineering** (Agente = Modelo + Harness), y un análisis económico CapEx/OpEx del coste total de propiedad.
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.
QMD, motor de búsqueda local para bóvedas de Obsidian, skill /recall para memoria persistente en Claude Code, búsqueda BM25 + semántica + híbrida frente a grep
Acontext (memodb-io) - plataforma de datos de contexto de código abierto para agentes de IA cloud-native - context engineering, observabilidad, destilación de habilidades - GitHub
#agentes de IA#plataforma de datos de contexto#cloud-native
Diseño frontend con Claude Skills - Convergencia distribucional - Context Engineering - Mejora de la calidad de la interfaz - Tipografía color movimiento - Anthropic