Insights
Notas del trabajo.
Textos prácticos sobre cómo construir IA empresarial que llega a producción.
En Lithuania los agentes generan el 85% de la salida de ChatGPT Enterprise; en Slovenia, el 22%
La investigación de OpenAI sobre clientes empresariales de la UE sitúa las herramientas agénticas detrás de más de la mitad de los tokens de salida, con amplias brechas entre países y empresas.
Leer
Sus agentes no romperán primero el stack de IA. Romperán los sistemas construidos para el ritmo humano
El control de código de Anthropic, los backtests de Third Moment y el planificador de Databricks chocan con el mismo límite: sistemas dimensionados para personas.
Leer
Cuando los agentes experimentan, lo lento está alrededor del modelo. Third Moment y Databricks lo muestran
Third Moment ejecuta 10,000 agentes de investigación hasta 48 horas; Databricks lanzó 8 veces más trabajos de entrenamiento con agentes. Ambos chocan con el mismo muro: espera, lanzamiento y errores.
Leer
Los agentes de IA entran en las fábricas de chips por la simulación, no por las máquinas: el límite de NVIDIA
En SEMICON West, NVIDIA y fabricantes de chips mostraron agentes que hacen simulaciones físicas y gemelos digitales antes de tocar una máquina. Cada cifra mide algo distinto y no es un benchmark.
Leer
El diagnóstico de un agente de SRE es un punto de partida, no un hallazgo: AWS y Microsoft
AWS conectó DevOps Agent a las pruebas de Resilience Hub y Microsoft puso Azure SRE Agent junto a GitHub Copilot. Ambos tratan el diagnóstico del agente como evidencia a comprobar.
Leer
¿Su app RAG precisa una base de datos vectorial aparte? Databricks midió la búsqueda en Postgres a 4M pasajes
Un ingeniero de Databricks midió la búsqueda híbrida de vectores y palabras clave en Lakebase Postgres con una app real y corpus público. Los números ayudan a decidir dónde debe vivir la recuperación.
Leer
Antes de agentes de IA, Atlassian puso 44 mil millones de eventos en un esquema. Ese es el orden que funciona.
Atlassian normalizó su telemetría de seguridad a OCSF en Databricks y reporta un 80% menos de costo de ingesta. Sus planes de agentes se asientan sobre esa base, y la mayoría aún está en el roadmap.
Leer
Los agentes de código pueden leer su repositorio. Figma Specs busca darles las decisiones detrás del producto
Figma lanzó Specs en beta abierta: requisitos en Markdown junto a diseños y capas de código, legibles por agentes como Codex vía el servidor MCP de Figma. Contexto útil, si alguien se responsabiliza.
Leer
HydraFusion Max de GitHub no elige un modelo para su tarea: planifica quién redacta, juzga y repara
GitHub actualizó HydraFusion y añadió una opción Max, ambas en preview de investigación. Los modelos tienen roles y esfuerzo de razonamiento. Mida el costo por cambio aceptado, no por benchmark.
Leer
El presupuesto para probar: la IA abarató producir cambios, pero verificar es la partida que nadie planificó
Los lanzamientos de seguridad comparten un patrón: la generación escala, la verificación no. La visión de La Madre sobre por qué la capacidad de verificación debe planificarse, financiarse y medirse.
Leer
Recompense a un auditor de IA por encontrar problemas y aprenderá a inventarlos. La solución de Anthropic
Anthropic entrenó un modelo pequeño para auditar sistemas de IA con aprendizaje por refuerzo. La recompensa ingenua produjo hallazgos inventados, que los pares y los ejemplos benignos corrigieron.
Leer
La IA de Chainguard ataca tu app en ejecución para probar el fallo. Evalúa el sandbox antes que el modelo
Chainguard Harness compila la app desde el código fuente y la arranca en un microVM aislado, donde Claude Mythos 5.1 intenta explotarla. En pruebas de seguridad con IA, el aislamiento es el producto.
Leer
¿Tiene un caso de uso de IA detenido entre el prototipo y la producción?
Cuéntenos qué quiere poner en marcha. Le respondemos con próximos pasos honestos.
Conversemos sobre un caso de uso