Un podcast sobre cómo la Inteligencia Artificial está reescribiendo el desarrollo de softwareUn podcast sobre cómo la Inteligencia Artificial está reescribiendo el desarrollo de softwareUn podcast sobre cómo la Inteligencia Artificial está reescribiendo el desarrollo de softwareUn podcast sobre cómo la Inteligencia Artificial está reescribiendo el desarrollo de software
Próximo
El code review no protege tu producto. Encubre tu falta de sistemas
En ampcode hacen push directo a main. Sin pull requests, sin code review formal, desde el día uno. Son 21 personas y todos hacen producto, marketing y soporte. Hoy Luis nos cuenta qué tuvieron que construir para que eso funcione: la separac…
- Al aire
- 28 de septiembre de 2026 · 06:00PM
Episodios
40 en el archivo
N.ºTítuloFecha
- 01PróximoEl arnés decide qué tipo de ingeniero es tu agente.Alan Alias, creador de GentAI, uno de los arneses más recomendados que existen. Hoy hablamos de lo que realmente hace un arnés: codificar el criterio de ingeniería que antes vivía en la cabeza del senior. Orquestador y minions, cuándo delegar y cuándo no, TDD como herramienta de validación agéntica, sistemas de memoria y por qué la memoria que viene por defecto en tu harness probablemente deberías apagarla. Alan también nos cuenta el experimento donde la misma feature le costó una suscripción de 200 euros en un día con Codex y una fracción de eso con un arnés bien construido.
- 02PróximoUna comunidad compró GPUs, montó su inferencia y dejó de pedirle permiso a nadie.Cristian Córdoba publicó un tweet pidiendo que se juntaran 5 personas para alquilar una GPU. Hoy son casi 500, con 9 servidores, 12 GPUs y hardware propio en Finlandia. NAN Builders es una comunidad que corre modelos open weight a escala, sin depender de ningún lab. Hoy Cristian nos cuenta cómo pasó de un tweet a una cooperativa de inferencia: qué hardware usan, cómo resolvieron la concurrencia, por qué la caché en GPUs no funciona como crees, y qué se siente construir algo que se parece a las comunidades originales de open source.
- 03PróximoOmarchy: Lo que es bueno para DHH es bueno para ti?Freddy instaló Omarchy este fin de semana para rescatar un MacBook viejo y quedó picado. Aníbal fue usuario hardcore de Linux por años. Hoy hablamos del hype y de lo que hay debajo: por qué volver a Linux te da una base conceptual de modularidad y composición que se traduce directo a orquestar agentes, si Omarchy es realmente una buena puerta de entrada, y qué tan cierto es que Linux corre agentes mejor que macOS. También la pregunta incómoda: ¿Esto es para ti o solo estás viendo a alguien más divertirse?
- 04Benchmarks de IA: Lo que te dicen, lo que esconden y como leerlosNo hay nada más hypeado que un lanzamiento de SOTA model, y junto con las característica del modelo, un blog post técnico siempre vienen los gráficos con los benchmarks que miden el rendimiento de los modelos en diferentes dimensiones.... que no es raro que muestre los que son más favorables. La realidad es benchmarks van y benchmarks vienen, cada benchmark tiene su propia metodología además de que cada uno pone foco en diferentes dimensiones. Estos siempre pueden estar sujetos a entrenamiento específico para el benchmarks por parte del laboratorio, pueden envejecer mal con el tiempo, estar condicionados por otros factores como el harness o cómputo y claro a veces nos pintan una imagen que no está tan lejos de la realidad. Para este episodio decidimos meterle la lupa a los benchmarks, y entender realmente qué se está midiendo para los modelos de IA Generativa que son los que más nos interesan para el Desarrollo de Software. CHAPTERS 00:00 Qué revelan realmente los benchmarks de IA 10:53 Contaminación, marketing y saturación de benchmarks 22:48 Terminal-Bench y la evolución de las evaluaciones 34:54 DeepSWE, NL2Repo y ProgramBench comparados 45:26 CyberGym y benchmarks de ciberseguridad 53:05 Toolathlon y Agent’s Last Exam para agentes de IA 1:03:08 Benchmarks propios para casos de uso reales 1:08:23 Cómo elegir modelos sin confiar solo en el ranking1:12:11
- 05Orca, Copilot y Codex: ¿el IDE agentic ordena el caos o lo esconde?Orca, GitHub Copilot app y Codex/ChatGPT prometen ordenar el caos de desarrollar con agentes. En este episodio probamos la promesa: si estos Agentic Development Environments realmente coordinan contexto, tareas, ejecución y revisión, o si solo empaquetan el caos en una interfaz nueva. CHAPTERS 00:00 Bienvenida y auge de los entornos de desarrollo agéntico 10:09 De la terminal a los orquestadores de agentes 13:28 Orca, Git Worktrees y trabajo en paralelo 25:48 Comparativa de ADEs y límites del desarrollo local 39:02 Agentes, navegador e integración con Git en Orca 43:28 Procesamiento en la nube y control desde el teléfono 47:31 Conductor y Herder: alternativas a Orca 54:29 Programar por voz y trabajar lejos de la pantalla 1:02:51 Orca frente a Codex y otros flujos de trabajo 1:04:28 La ingeniería sigue siendo esencial en la era de la IA1:09:52
- 06Modelos Open Weight. Qué funciona y qué no.Hay demasiados modelos open weight y poca claridad sobre cuáles valen la pena para desarrollar software. Hoy traemos a Ronald Escalona para hablar de qué modelos correr, en qué hardware, para qué casos de uso y qué esperar de cada uno. Mientras Meta, Microsoft y NVIDIA firman cartas defendiendo los open weights, nosotros los ponemos a prueba. CHAPTERS 00:00 Modelos open-weight e inferencia empresarial 06:19 GPUs y centros de datos para inferencia local 12:49 APIs compatibles con OpenAI y costos por token 16:15 El negocio de vender tokens con valor agregado 22:12 Tokens, tokenomics y costo total de propiedad 24:34 Inferencia local vs. proveedores en la nube 29:46 Modelos abiertos más allá de China 36:28 Cómo elegir entre modelos grandes y especializados 39:09 Modelos densos, Mixture of Experts y KV cache 46:33 Inferencia subsidiada y dumping de precios 51:02 Open source vs. modelos de pesos abiertos 52:20 DeepSeek, chips chinos y competencia geopolítica 56:45 Destilación de modelos, licencias y regulación 1:04:52 Por qué seguirán bajando los costos de inferencia 1:09:12 vLLM y PagedAttention para servir modelos a escala 1:15:49 Nvidia, Qualcomm y la eficiencia energética de GPUs 1:22:03 La evolución del hardware de Nvidia para IA 1:29:23 KV cache para reducir latencia y facturación 1:31:25 Linux, Kubernetes y cuantización de modelos1:36:08
- 07¿Cómo está la movida de empleo en Latam?Todo el mundo opina sobre el mercado laboral en tech. Hoy le preguntamos a quienes lo ven desde adentro: tres recruiters que contratan todos los días en Latam. Un recruiter de Argentina, uno de Colombia y el CEO de Get on Board. Qué están pidiendo las empresas, qué perfiles se buscan, qué cambió con la IA, qué pasa con los salarios y qué debería estar haciendo el developer que quiere moverse. Sin teoría, datos reales de quienes llenan las vacantes. CHAPTERS 00:00 Mercado laboral tech en Latinoamérica 07:06 IA generativa y aplicaciones de empleo masivas 14:13 Layoffs, equipos pequeños y fraude de candidatos 25:13 Roles tech especializados en resolver problemas 34:13 Perfiles generalistas, especialistas y orquestación de IA 45:08 Cómo contratar ICs y líderes para la era de la IA 1:04:14 Salarios tech y menor demanda en Latinoamérica 1:12:50 Portafolio y criterio: señales clave para conseguir empleo 1:19:46 LinkedIn, comunidad y marca personal para developers1:29:41
- 08De Vercel Al SDK a Eve: Migrando un agente real, ventajas y trade-offsEduardo construyó el agente de Leadsales con Vercel AI SDK puro. Funcionaba, pero terminó creando su propio harness para manejar la complejidad. Cuando Vercel lanzó Eve, migró todo. La complejidad se redujo, la funcionalidad se mantuvo y dejó de mantener lo subyacente para enfocarse solo en el comportamiento del agente. Hoy nos cuenta qué ganó, qué perdió y qué aprendió en el proceso. CHAPTERS 00:00 Vercel AI SDK, Eve y agentes en producción 05:42 Qué define a un agente de IA: autonomía y loops 11:37 Lead Agent: prompting para ventas por WhatsApp 17:03 Tools atómicas para dar autonomía a los agentes 24:14 Langfuse para prompts, trazas y observabilidad 30:20 Evals e iteración de agentes en producción 36:44 Por qué migrar de Vercel AI SDK a Eve 43:43 Eve como framework declarativo para agentes 47:05 Ejecuciones durables, Nitro y vendor lock-in 54:13 Cómo diseñar un agente desde cero 59:39 Pruebas y mejora continua del system prompt 1:05:56 Agentes probabilísticos y human in the loop 1:07:41 Resultados de la migración y channels de Eve1:10:55
- 09Hermes + Qwen3.6-35B local (64GB URAM) para Desarrollar SoftwareCarlos Maldonado tiene 25 años de experiencia operando Linux/Unix y luego Kubernetes en ambientes de Producción a escala, resolviendo problemas en las trincheras del on-call como líder de equipos de de SRE. Y un buen día le dio experimentar con los modelos los Open Weight más grandes que pudo correr, en una Mac con 64GB de RAM Unificada, hasta lograr echar código con Hermes como driver. En este episodio nos cuenta cómo ha sido la experiencia, y todo lo que ha aprendido en el proceso. CHAPTERS 00:00 Hermes y LLM locales para desarrollo de software 03:31 Carlos Maldonado: de Linux y Unix a engineering manager 08:41 Hermes para SRE: permisos, seguridad y privacidad 14:49 Por qué usar un modelo local en lugar de una API 17:55 Apple M1 Max con 64 GB para inferencia local 24:00 Qwen3.6-35B: benchmarks y selección del modelo 28:25 Hermes y la memoria de contexto con SQLite 33:45 Rendimiento local y debugging con Hermes 39:45 Workflow autónomo con pull requests y Cloudflare Workers 49:29 Tareas en paralelo, conflictos de Git y carga cognitiva 53:46 Consumo eléctrico y ahorro frente a Claude Sonnet 57:10 Monetización y diseño de nohayluz.com con Hermes 1:00:40 ESLint, Playwright y CI/CD generado con IA local 1:06:11 Qwen, GLM y el futuro de los modelos abiertos 1:12:00 Modelos locales para programar y Frontier APIs para planificar1:17:50
- 10¿Cómo cambia el SDLC cuando el cerebro de la empresa se integra a Claude Code?Los "cerebros organizacionales" empiezan a ganar momento como apuesta para capitalizar el valor de la adopción de la Inteligencia Artificial Generativa. La experiencia de estos últimos meses nos demostró que si bien podemos crear software a altísima velocidad, también son comunes los casos en los que esta velocidad no se traduce en la creación de valor ni en un impacto medible para el negocio. Una de las ideas, práctica ya, más claras para corregir estos problemas es construir un "cerebro" donde se colecciona la información clave sobre el negocio, el producto y su operación y se procesa utilizando IA Generativa, en particular herramientas como Claude Code, Codex; y que este proceso se convierta en el driver fundamental del SDLC, Software Development Life Cycle. ¿Funciona esto? ¿Cómo se hace? ¿Realmente se usa? ¿Tiene un impacto? En este capítulo comparamos dos soluciones que llevan meses en construcción y uso dos organizaciones que le apostaron duro a esto. CHAPTERS 00:00 Second brain empresarial con Claude Code 09:39 La bóveda de conocimiento y su acceso mediante MCP 19:38 Cómo Lead Sales centralizó 18 fuentes de datos 25:30 Framework DIKW para organizar conocimiento empresarial 39:50 MCP, automatización y adopción en equipos no técnicos 50:58 El nuevo SDLC conecta desarrollo con el negocio 58:30 Predicción de churn con la inteligencia de la empresa 1:03:46 Métricas de adopción, rework y tiempo recuperado 1:11:50 Markdown, Git y Python frente a RAG y embeddings 1:16:01 El valor está en organizar el conocimiento1:20:32
- 11El CEO de Microsoft dice que el futuro no es el código. Es el conocimiento ¿Y nosotros?Satya Nadella está preocupado por el futuro, por el impacto de la IA generativa en la economía, y esto nace y será central en el desarrollo de software. Nosotros tomamos su ¿advertencia? en serio: El riesgo de un mundo donde unos pocos modelos se comen todo el valor y dejan industrias enteras con su conocimiento convertido en commodity. En este episodio no solo le hacemos una disección al mensaje de Nadella, sino que lo contrastamos con otros puntos de vista y con las discusiones que ya hemos tenido ya sobre este disrupción que estamos viviendo. CHAPTERS 00:00 Satya Nadella y el futuro del conocimiento 04:31 El cambio de narrativa de los líderes de AI 13:19 La economía AI-driven según Microsoft 18:13 El loop cognitivo entre personas y AI 21:15 Cómo la AI comoditiza el conocimiento experto 30:47 Aprendizaje organizacional frente a producción con AI 38:39 Sistemas agénticos portables y vendor lock-in 46:52 Capital humano y capital de tokens 54:19 Dirección humana contra el AI slop 59:09 Delegar tareas sin delegar el aprendizaje 1:05:04 Workflows y evals privados para agentes de AI 1:08:22 Outsourcing, empleo y consecuencias económicas de la AI 1:13:47 Construir sistemas que generen valor 1:16:50 El desafío de la AI para Latinoamérica1:19:25
- 12Primeras impresiones con Hermes. Mi sistema de agentes personales en vivoFreddy construyó un sistema de agentes personales con Hermes. Hoy lo muestra por primera vez en vivo: la arquitectura, la configuración, los skills, el flujo completo. Anibal hace las preguntas que tú harías. Sin slides, sin demo preparada. Terminal abierta, código real y todo lo que puede salir bien o mal cuando le muestras a alguien lo que construiste. CHAPTERS 00:00 Primeras impresiones de Hermes y agentes personales 05:28 Casos de uso y riesgos de OpenClaw 10:24 Permisos seguros para un asistente de IA 13:37 Hermes Profiles frente a OpenClaw 15:51 Auditoría y configuración versionada en GitHub 19:14 Skills y tools incluidos en Hermes 23:27 Skills autogenerados, costos y Firecrawl 31:27 Instalación de Hermes y configuración de modelos 36:23 Claude Code y Codex como agentes especializados 41:30 Anatomía de un Hermes Profile 48:40 Bots de Telegram y un second brain con Markdown 52:19 Repositorios portátiles para un agente de código 56:17 Delegación en vivo de un fix a Codex 59:47 Vendor lock-in y memoria portable para agentes 1:05:01 Agente para investigar acciones y oportunidades 1:08:30 Conclusiones: tools, valor y gobernanza empresarial1:16:32
Quiénes corren
