↓Ir al contenido
  1. Categories/

Opinión

2026


Soluciones de IA: ¿comprar, integrar o desarrollar?

·2478 palabras·12 mins

Hemos identificado una tarea que podría mejorar con IA y el piloto parece prometedor. Llega entonces la pregunta que suele convertir una conversación técnica en una conversación de presupuesto: ¿compramos una herramienta, integramos un servicio o lo desarrollamos nosotros?

Hay una cuarta opción que conviene poner sobre la mesa antes de las otras tres: no usar IA. A veces basta con mejorar el proceso, automatizar un paso con reglas o dejarlo como está. No es la respuesta más vistosa para una presentación, pero puede ser la más sensata.

En el artículo anterior vimos cómo comprobar si una idea mejora el trabajo. Aquí damos el siguiente paso: si hay una oportunidad real, ¿qué forma de solución encaja con ella y con la capacidad de la empresa para operarla?

No hay una modalidad que gane siempre. La decisión depende de los requisitos, los datos, los permisos, el coste total y, sobre todo, de quién se hará responsable cuando algo cambie o deje de funcionar.

El primer piloto de IA: qué probar y cómo saber si funciona

·2038 palabras·10 mins

Ya hemos elegido una oportunidad para incorporar IA en la empresa. El equipo está de acuerdo, hay ganas de empezar y alguien ha preparado una demo que responde muy bien a tres preguntas.

¿Y ahora qué?

En el artículo anterior hablábamos de comparar oportunidades antes de comprar herramientas. El siguiente paso no es desplegar la demo para toda la empresa. Es preparar una prueba que nos permita entender si esa idea mejora algo, cuánto cuesta y qué ocurre cuando deja de recibir preguntas fáciles.

Porque una demo puede enseñarnos lo que una herramienta es capaz de hacer. Un piloto debería ayudarnos a decidir si merece la pena usarla en nuestro trabajo.

Tu empresa quiere incorporar IA: ¿por dónde empezar antes de comprar herramientas?

·1471 palabras·7 mins

En el artículo anterior propuse empezar por el problema y no por la tecnología. Pero ¿qué pasa cuando la empresa ya tiene varios problemas encima de la mesa y para cada uno alguien propone una solución con IA?

Ahí la pregunta cambia. Ya no es solo «¿necesitamos IA?», sino «¿cuál de estas oportunidades merece que le dediquemos tiempo, datos y presupuesto primero?». Y, antes de responder, conviene no confundir elegir un caso con elegir una plataforma. Son decisiones distintas.

No hace falta montar un comité con nombre en inglés ni contratar a un ejército de consultores para empezar. Sí hace falta que quienes conocen el trabajo, quienes pueden cambiarlo y quienes entienden los datos participen en la decisión.

¿Tu empresa necesita IA o necesita resolver otro problema?

·1080 palabras·6 mins

Te piden «una estrategia de IA». Suena importante y queda bien en una presentación; además, todavía no obliga a explicar qué problema queremos resolver.

Una empresa puede querer usar IA sin necesitarla para ese problema. A veces el atasco está en un proceso mal diseñado, datos desconectados o una regla de negocio que nadie ha automatizado. Poner un modelo encima puede hacer que todo parezca más moderno, no que funcione mejor.

Yo empezaría por «¿qué resultado queremos mejorar y qué nos lo impide?», no por «¿qué podemos hacer con IA?».

No construyas un agente cuando un workflow es suficiente

Te piden automatizar la gestión de devoluciones. La primera propuesta suele sonar muy bien en una demo: «Dale un agente acceso al correo, al sistema de pedidos y a la API de reembolsos. Que lea la solicitud y resuelva el caso».

También puede salir bien. Hasta que el agente interpreta mal una política, encuentra dos pedidos parecidos y devuelve el dinero del equivocado. La pregunta importante no es si podemos construir ese agente. Es si necesitamos darle tanta libertad para resolver el problema.

De elegir modelos a diseñar sistemas: la era del AI Harness

·1285 palabras·7 mins

El 28 de octubre GitHub anunció la disponibilidad general de Copilot Fusion. En vez de escoger un modelo para cada tarea, eliges Fusion y el sistema decide qué modelos y patrones de ejecución utilizar. La documentación de GitHub describe opciones como resolver con un modelo, escalar una respuesta para que otro la revise o generar una respuesta y pedir a otro modelo que la critique.

El modelo sigue importando, pero cambia la pregunta. Durante estos últimos años hemos comparado nombres y versiones: ¿cuál razona mejor?, ¿cuál escribe mejor código?, ¿cuál tiene más contexto? Ahora aparece otra pregunta, más arquitectónica: ¿qué sistema decide cómo usar modelos, datos y herramientas para completar el trabajo?

En un artículo anterior sobre qué es un harness y dónde vive, expliqué por qué dos herramientas con el mismo modelo pueden comportarse de forma distinta. Aquí quiero dar un paso más: ¿qué cambia cuando el propio sistema empieza a elegir y combinar modelos?

Box, box: programar con IA no te da permiso para dejar de pensar

Llevo unas semanas dándole vueltas al ritmo al que estamos desarrollando software desde que herramientas como GitHub Copilot, Claude Code y compañía se han sentado con nosotros en la mesa. Y sí, aceleran. A estas alturas negarlo sería como discutir que el fuego quema o que una daily mal llevada puede durar más que una migración de SharePoint.

Pero también me está quedando cada vez más claro que esa aceleración tiene trampa. La IA te ayuda a escribir código más rápido, sí, pero también puede empujarte a una especie de desconexión peligrosa: empiezas a aceptar cambios que “parecen bien”, confías en que lo que ha generado hace lo que crees que hace, y cuando quieres darte cuenta estás conduciendo un coche a toda velocidad sin tener realmente las manos en el volante.

SDD vs Context Engineering: cuándo usar cada uno (y cuándo usarlos juntos)

Este artículo cierra una serie de tres. Los anteriores cubren qué es Spec Driven Development y qué es Context Engineering. Si llegas aquí sin leerlos, la comparación que sigue va a ser menos útil.

Si ya los has leído, la pregunta que probablemente tienes es: ¿cuándo uso uno, cuándo uso el otro, y qué pasa cuando los combino? Aquí va la respuesta.

Context Engineering: el término que realmente describe lo que estás haciendo

Si llevas un tiempo trabajando con IA, seguramente habrás visto en algún README, en algún hilo de Twitter o en alguna charla de meetup el consejo universal: “dale más contexto a la IA”. Lo dice todo el mundo con esa convicción de quien ha descubierto el agua caliente.

Y sí, dar contexto ayuda. El problema es que “dar contexto” como gesto vago no es lo mismo que hacerlo bien. Y hacerlo bien tiene nombre, tiene disciplina, y ese nombre no es el que circula por ahí.

Spec Driven Development: qué es, de dónde viene y para qué sirve

Si llevas unos meses siguiendo el ruido de Twitter/X, LinkedIn y los blogs de las grandes plataformas, habrás visto que el término Spec Driven Development aparece cada vez más. GitHub lo usa para presentar Spec Kit. Microsoft lo menciona en su documentación de Azure Verified Modules. InfoQ le dedicó un artículo largo a principios de 2026.

Detrás del buzz hay algo concreto. SDD no es un invento reciente ni un eufemismo para “escribir documentación”. Tiene historia, tiene una mecánica clara y, con los agentes de código actuales, cobra un sentido que antes era difícil de aprovechar.