17 publicaciones etiquetados con "Agentic AI"

El verdadero cambio no es aprender menos, es aprender de forma diferente​

Cada vez que una nueva tecnología facilita el acceso a la información, resurge la misma preocupación: ¿dejarán las personas de aprender por completo? Se suponía que las calculadoras harían innecesaria la aritmética. Se suponía que los buscadores harían innecesario recordar datos. La IA plantea ahora la misma pregunta, a una escala mucho mayor, porque puede explicar un concepto, redactar un ensayo y llevar a cabo tareas de varios pasos por su cuenta.

La preocupación interpreta mal lo que realmente está cambiando. La IA está transformando la rapidez con la que las personas pueden acceder a la información y producir un primer borrador de una respuesta. No está transformando el proceso subyacente mediante el cual un ser humano construye una comprensión real, desarrolla juicio o se vuelve capaz de resolver problemas que nunca antes había visto. Ese proceso sigue siendo lento, exige esfuerzo y sigue siendo profundamente humano.

Por qué entender sigue importando cuando la IA puede escribir el código​

Nunca ha sido tan fácil convertir una idea en software funcional. Describe lo que quieres en lenguaje simple, y una herramienta de IA puede generar una página web, un script, una integración con una API o incluso un agente de varios pasos que realiza acciones en tu nombre. Para cualquiera que se haya sentido excluido del software por no saber programar, ese cambio es real y bienvenido.

Pero hay una diferencia entre software que funciona y software que entiendes. La IA puede producir lo primero en segundos. Solo tú puedes producir lo segundo, y solo si sabes lo suficiente sobre cómo funciona realmente el software para leer lo que la IA te entregó, cuestionarlo y corregirlo cuando esté equivocado.

Por qué el próximo capítulo de FinOps no consiste en encontrar un modelo más barato. Se trata de diseñar sistemas que no desperdicien los tokens que ya tienen.

Un líder financiero abre la factura mensual de la plataforma de IA de la empresa y encuentra un número que no coincide con ninguna historia que alguien pueda contar. El uso creció de forma moderada. La factura creció de forma marcada. Nadie cambió a un modelo más caro. Nadie aprobó una nueva integración que alguien recuerde. La partida simplemente creció por sí sola, de la misma manera en que solían crecer las facturas de la nube antes de que alguien construyera una disciplina para vigilarlas.

Pregúntale al equipo de ingeniería qué pasó y la respuesta rara vez tiene una sola causa. Son cien pequeñas decisiones: un prompt de sistema que creció cada vez que alguien añadió una nueva regla, un paso de recuperación que trae diez documentos cuando dos bastarían, un agente que reintenta una llamada a una herramienta fallida cinco veces antes de rendirse, un flujo de trabajo que pasa una conversación entre tres agentes especializados y reenvía todo el historial en cada traspaso. Ninguna de estas decisiones parecía costosa por separado. Juntas, son la factura.

El cuello de botella se movió y la mayoría de los equipos no lo ha notado​

Durante décadas, escribir código fue la parte cara. Leerlo era casi gratis en comparación. Un desarrollador pasaba horas produciendo un cambio y un revisor pasaba minutos confirmándolo. Esa proporción dio forma a todo: nuestras herramientas, nuestros procesos y nuestra idea de quién estaba ocupado y quién esperaba.

Los agentes invirtieron esa proporción. Un agente capaz ahora produce una rama completa con código, pruebas y documentación en el tiempo que toma escribir una buena descripción de la tarea. Escribir se volvió barato. Leer no.

Ocho bloques de construcción que convierten un modelo capaz en un sistema que entrega trabajo real: agentes, subagentes, habilidades, contexto, memoria, prompts, notebooks y proyectos.

La mayoría cree que está usando IA generativa cuando abre una ventana de chat y escribe una pregunta. Está usando la parte menos interesante de todo esto. El chat es la puerta de entrada, no la casa.

El viernes 12 de junio de 2026 impartí un webinar en el canal de YouTube de Microsoft Reactor llamado DevOps Foundations for the AI Agentic Era. La grabación ya está disponible para que la veas cuando quieras. La sesión está en inglés.

Decidir cómo construir una app móvil o de dispositivo solía ser una decisión acotada. Elegir las plataformas, sopesar nativo contra multiplataforma, considerar las habilidades del equipo y escoger un framework. Las compensaciones eran sobre todo de rendimiento en tiempo de ejecución, contratación y cuánto código se podía compartir de verdad.

Dos cosas han cambiado ese panorama. Primero, el panorama de plataformas ha madurado: SwiftUI, Jetpack Compose, WinUI 3, .NET MAUI, la New Architecture de React Native, Flutter con Impeller y Kotlin Multiplatform han alcanzado un nivel de estabilidad que permite una comparación limpia. Segundo, los agentes de IA ya forman parte del día a día de la mayoría de los equipos. No solo completan código; leen repositorios, resumen APIs desconocidas, generan andamiajes y acortan el camino entre "nunca he usado este framework" y "ya envié algo con él". Eso cambia la forma de tomar la decisión de framework.

Esta guía recorre las opciones realistas para iOS, Android, Windows y Xbox, los principales frameworks multiplataforma y los pros y contras de cada uno en 2026.

Imagina esto. Un agente de codificación de GitHub Copilot toma un issue, crea una rama, escribe la implementación en cuatro archivos, agrega pruebas y abre un pull request. El CI pasa. El escaneo de código no reporta alertas. Un desarrollador revisa el diff, lo aprueba y hace merge. El cambio se despliega a producción a través de un pipeline de despliegue automatizado.

Tres semanas después, una prueba de penetración descubre que el código generado por el agente introdujo una vulnerabilidad de falsificación de solicitudes del lado del servidor. El código era sintácticamente limpio, las pruebas cubrían el camino feliz, y el revisor no detectó la falla porque la lógica se veía razonable de forma aislada. Ahora el equipo necesita responder una pregunta para la cual su modelo de seguridad nunca fue diseñado: ¿quién es responsable del código que ningún humano escribió?

Hay una contradicción con la que me encuentro continuamente. Cada investigación en ciencia cognitiva que he leído dice lo mismo: concéntrate en una tarea a la vez. La multitarea es un mito. Tu cerebro no puede hacer dos cosas exigentes simultáneamente sin pagar un alto costo en rendimiento.

Y sin embargo, cada día me encuentro revisando un pull request que abrió el agente en la nube de GitHub Copilot, mientras un pipeline de CI/CD se ejecuta en una segunda rama con código generado por IA. Más flujos de trabajo en paralelo que los que jamás gestioné antes de que la IA entrara en mi flujo de trabajo, y de alguna manera se siente menos caótico que antes.

Algo no cuadra. O la ciencia está equivocada, o lo que estoy haciendo no es realmente multitarea. Creo que es lo segundo, y la distinción importa para todo ingeniero que se adapta a flujos de trabajo agénticos.

La definición funcionaba. Hasta que apareció un cuarto participante.​

DevOps siempre se ha definido mediante una ecuación simple y poderosa: Personas + Procesos + Herramientas. Esa fórmula capturaba algo esencial sobre cómo se construye y entrega el software moderno. Derribó muros entre desarrollo y operaciones. Proporcionó a las organizaciones un modelo mental para diagnosticar qué estaba mal cuando las cosas avanzaban demasiado lento, fallaban con demasiada frecuencia o generaban demasiada fricción.

Durante más de una década, este modelo de tres pilares sirvió bien a la industria. Y lo hizo porque descansaba sobre una suposición que nadie cuestionaba: cada participante en el ciclo de vida de entrega de software era humano.

Esa suposición ya no se sostiene.