Coincido plenamente Facu. Coincido en que muchos desarrolladores subestimamos la distribución. Podemos pasar meses perfeccionando un producto sin haber resuelto cómo conseguir clientes.
Pero creo que hay una diferencia importante entre adquirir usuarios y construir un negocio sostenible.
La distribución te permite llegar al cliente. El producto tiene que darle motivos para quedarse y seguir pagando.
Por eso no lo veo tanto como CMO vs. CTO, sino como dos problemas distintos que una empresa necesita resolver.
De los 49 puntos, creo que hay una idea que vale más que todas las herramientas mencionadas.
El contexto propio de una empresa puede convertirse en su mayor ventaja competitiva al incorporar IA.
Pero acumular información no es lo mismo que construir conocimiento.
Podés tener miles de documentos, reuniones y decisiones almacenadas. Si están desactualizadas, se contradicen o nadie puede verificar su origen, tus agentes simplemente van a cometer errores con más contexto.
La ventaja no está en cuánto recuerda tu IA, sino en qué tan confiable es lo que recuerda.
Making the most AI pilled company is the whole game:
1. make a second brain. one folder of markdown files on how you think, write and decide (obsidian)
2. talk to it. voice notes all day (wispr), and an agent files every fact, story and decision
3. make a company brain. customers, calls, numbers, pricing, playbooks, past decisions and why you made them
4. record every call and meeting (granola). the transcripts go straight into the brain
5. keep a facts file. true things about you and the company that agents are allowed to say. this kills made-up claims
6. keep a voice file. your 50 best posts, 20 you hate, and the words you never use
7. put all of it in git (github) so every change has a history
8. write one instruction file at the top (CLAUDE.md or AGENTS.md). read these files before any task, never overwrite, always date
9. give agents memory across sessions so they stop starting from zero (claude-mem, mem0)
10. pipe every data source into one warehouse your agents can query (airbyte → clickhouse). ads, analytics, CRM, payments
11. feed it data nobody else has. it's the only part a competitor can't download
the skills
12. don't start from zero. install the good ones first (anthropics/skills, obra/superpowers, mattpocock/skills, addyosmani/agent-skills)
13. grab the marketing ones too (coreyhaines31/marketingskills, cody schneider's graphed skills for static ads and UGC, boringmarketing dot com skills)
14. map every workflow in the company and rank them by money made or saved
15. do each one once while talking out loud, and record it
16. have an agent turn the recording into a skill. when to use it, the steps, the checks, the mistakes to avoid
17. one skill per job. small and boring beats one giant prompt
18. connect your tools with MCPs so agents can act and not only advise (gmail, slack, stripe, linear, notion, posthog, supabase)
19. give agents a browser (browser-use, vercel agent-browser, claude in chrome)
20. give agents a computer of their own for the tools with no API (vercel agent-desktop, orgo)
21. give your best skills away in public. it's the new lead magnet
the agents
22. run an orchestrator that never turns off (grok bot, openclaw, hermes). it manages one agent per project, and each of those runs its own sub-agents
23. use coding agents for the building (claude code, codex, cursor, t3, antigravity)
24. wrap them in a harness so they plan, test and remember (ECC, superpowers)
25. manage the whole fleet in one place (paperclip). every agent gets a job, a budget and a log
26. put the skills on triggers (n8n, scheduled tasks). daily, weekly, on every new lead, on every cancellation
27. route your models (openrouter). the expensive one plans and checks (fable 5.2, gemini 4 carbon), the cheap ones do the volume
28. cut the token bill. shorter outputs, smaller tool results (caveman)
29. run a local model for the data that can't leave your machine (gemma 4)
30. track cost per job. if a job costs more than it earns, fix it or kill it
the factory
31. build the line. spec agent → builder agents in parallel (git worktrees) → test agent → reviewer agent → deploy (vercel, railway)
32. design goes through the same line (paper MCP), and a skill strips out anything that looks AI made (unslop)
33. every annoying task in the company becomes an internal tool by the end of the day
34. every customer request becomes a pull request before a human reads it (tstack for the PR workflow)
35. reviewer agents with a named bar. "would the best team in the world ship this?" reject until the answer is yes
36. keep 50 real cases with the right answer. rerun them every time a new model drops and switch to the winner
37. humans approve, own the outcome and talk to customers. that's the 10% you keep
the loop
38. every finished job writes back to the brain. what worked, what failed, what to stop doing
39. support tickets, analytics and social comments flow in every night
40. every friday an agent rewrites the playbooks from the week's results, and you approve the diff
41. every month, rank everything by profit per human hour. kill one thing and double one thing
the growth
42. research with agents before you spend a dollar (perplexity API, last30days skill)
43. outbound runs itself. find the leads, enrich, verify, send (apollo, million verifier, instantly, phantombuster)
44. send prospects finished work in place of a pitch
45. ads run on a loop. an agent writes the creative, publishes through the facebook ads API, kills the losers and scales the winners
46. agents make the creative too. images (nano banana), video (heygen, fal), voice (elevenlabs), music (lyria 3.5, suno)
47. turn every finished job into content. the story, the number, the prompt
48. every customer makes the brain smarter for the next one. that's your network effect
49. once it works, point it at a new niche. same agents, new context
The models are the same for everyone but your context is the only part that's yours.
Acquire as much of it as you can, as fast as you can.
Build loops like this.
This is the whole game, happy playing.
Hay una paradoja interesante acá, para hacer una empresa más eficiente con IA, terminamos proponiendo una arquitectura con decenas de herramientas, agentes, memorias, integraciones y orquestadores.
El contexto propio de una empresa puede ser una ventaja competitiva, coincido.
Pero automatizar un proceso ineficiente no necesariamente lo mejora y cada agente nuevo también introduce costos, dependencias y nuevos puntos de falla.
Quizás la pregunta no sea cuántos agentes podemos incorporar, sino qué procesos realmente justifican esa complejidad.
Más allá del día libre, masterclass de marketing.
Digo, Logitech vende periféricos para gaming, con una decisión así consigue que miles de personas hablen de la marca justo alrededor de uno de los lanzamientos más esperados del sector.
Buen ejemplo de cómo una buena acción de marca genera más conversación que una campaña publicitaria.
EE. UU. considera los chips avanzados un activo estratégico, pero buena parte de esa ventaja depende de Nvidia, una empresa privada que tiene incentivos para vender globalmente.
Algo parecido pasó con Cisco en su momento, que terminó en medio de las tensiones entre EE. UU. y China por la infraestructura de comunicaciones.
El problema de fondo es que los intereses comerciales de una tecnológica no siempre coinciden con los de seguridad nacional de su país.
Y eso es mucho más interesante para discutir que los rumores sobre la vida personal de Jensen.
¿Sabías que monitorear que todo funciona puede ser un antipatrón en ingeniería de software?
En Becoming a Rockstar SRE se plantea un problema interesante: confundir la salud de la infraestructura con la del servicio.
Tu API responde 200, los contenedores están healthy, la CPU está al 30% y PostgreSQL funciona.
Todos tus dashboards están en verde.
Pero tus usuarios no pueden completar una compra porque falló la integración de pagos.
Técnicamente, tu infraestructura está funcionando. Para el usuario, el servicio está caído.
Por eso, no alcanza con monitorear servidores, recursos y endpoints. También necesitamos medir si los usuarios pueden completar las operaciones que realmente importan.
Que todo esté en verde no significa que todo esté funcionando.
Coincido. Más que Cloud vs. On-Premise, creo que importa cómo responde el sistema cuando algo falla.
En SRE hay dos conceptos interesantes: Chaos Engineering, que busca poner a prueba esas fallas, y blast radius, que es hasta dónde llega su impacto.
Porque podés tener varios proveedores y mucha redundancia, pero si una dependencia compartida te tira todo el sistema, el problema sigue estando ahí.
Una cosa es diseñar para resistir fallas y otra comprobar que realmente las resistís.
Hoy, mientras trabajaba en mejorar la observabilidad de un backend, descubrí que Promtail, el agente que utilizaba para enviar logs a Loki, llegó a su fin de vida útil en marzo de 2026.
Grafana ya no lo mantiene y recomienda migrar a Alloy.
Lo interesante es que Alloy no solo reemplaza a Promtail, permite centralizar la recolección de logs, métricas y trazas en un mismo agente, con soporte para OpenTelemetry.
Si usan Promtail para enviar logs a Loki, vale la pena revisar su stack.
Grafana incluso ofrece una herramienta para convertir la configuración existente y facilitar la migración.
¿Ya migraron a Alloy o todavía siguen usando Promtail?
Hay un dato interesante que no muchos conocen: un estudio australiano encontró que los universitarios que trabajan mientras estudian tienen tasas de graduación hasta 13 puntos porcentuales superiores a las de quienes solo estudian.
Aunque parezca contraintuitivo, trabajar y estudiar no necesariamente reduce las probabilidades de recibirse. En determinadas circunstancias, puede estar asociado con mejores resultados académicos.
Se habla mucho de que la IA está subsidiada y que, cuando las empresas necesiten ser rentables, los tokens van a encarecerse.
Yo tengo otra hipótesis: estamos avanzando hacia la comoditización de la inteligencia artificial.
La competencia entre modelos, el avance del open source y las mejoras de eficiencia están empujando los costos hacia abajo.
Pero hay una aparente contradicción: la infraestructura necesaria para producir IA es cada vez más costosa y la demanda de cómputo sigue creciendo.
Creo que la clave está en distinguir el costo del cómputo del costo de obtener un resultado útil.
Aunque construir y operar centros de datos siga siendo carísimo, los avances tecnológicos podrían permitir resolver los mismos problemas utilizando cada vez menos recursos.
Mi hipótesis es que la IA terminará convirtiéndose en un servicio cada vez más estandarizado y accesible, como ocurrió con internet.
No necesariamente porque producir inteligencia sea barato, sino porque producir una misma capacidad será cada vez más eficiente y competitivo.
Quizás el verdadero valor económico no esté en vender inteligencia, sino en lo que seamos capaces de construir con ella.
Creo que hay algo más profundo que el dilema del innovador, una posible redistribución del poder en el comercio electrónico.
Hoy los marketplaces concentran la demanda y cobran por el acceso a ella. Los vendedores necesitan estar donde están los compradores.
Pero si los agentes de IA se convierten en la interfaz de compra, el consumidor podría dejar de buscar dentro de un marketplace y empezar a delegar la decisión.
Eso no solo amenaza una interfaz o un canal de ventas. Puede cambiar quién controla el descubrimiento de productos, quién tiene poder de negociación y quién captura los márgenes.
La paradoja es que los agentes podrían reducir la dependencia de los marketplaces, pero crear una nueva dependencia de quienes controlen esos agentes.
Entonces, ¿Estamos descentralizando el comercio o simplemente trasladando el poder a un nuevo intermediario?
Más que la desaparición de frontend o mobile, me llama la atención el crecimiento de los perfiles vinculados a infraestructura, seguridad e integración de sistemas, indica un poco el camino.
Quizás estamos viendo un cambio en dónde se concentra el valor de la ingeniería, menos en implementar funcionalidades aisladas y más en lograr que el software resuelva problemas reales y funcione en producción.
No creo que las especialidades estén desapareciendo, sino que los límites entre ellas empiezan a desdibujarse. Cada vez importa más entender el sistema completo y no solamente la parte que nos toca desarrollar.
Cada vez que desplegaba una nueva versión de mi backend en Go, la API quedaba entre 5 y 10 segundos sin responder, a puros 502/503.
Lo curioso es que uso Coolify, que soporta rolling updates como estrategia de despliegue, pero al tener mi aplicación configurada con Docker Compose no estaba aprovechando esa funcionalidad.
Migré el despliegue a Dockerfile y habilité rolling updates.
El resultado:
- Antes: entre 5 y 10 de errores 502/503.
-Después: 0 errores en nuevos despliegues.
¿La clave? Un healthcheck que indique cuándo el nuevo contenedor está listo para recibir tráfico. Así, el nuevo arranca mientras el anterior sigue atendiendo. Cuando está listo, se redirige el tráfico y recién entonces se retira el viejo.
A veces mejorar la disponibilidad no requiere tocar el código, sino revisar cómo lo desplegamos.
¿Cómo estan manejando los despliegues en producción para evitar interrupciones del servicio? ¿Usan rolling updates, blue-green, canary o simplemente detienen la versión anterior y arrancan la nueva?
Creo que el desacuerdo está en asumir que la IA es necesariamente la mejor tecnología para producir valor en cualquier contexto.
No discuto su potencial, que es enorme. Pero una herramienta puede ser muy superior para ciertas tareas y no aportar una mejora significativa en otras.
Para mí, estar atrasado sería ignorar esas posibilidades o negarse a evaluarlas, no necesariamente decidir no adoptarlas.
Sobre el hype, coincido en que este caso puntual no demuestra que esté frenándose. Me refería más a un posible cambio de conversación: de la adopción por entusiasmo a la exigencia de resultados medibles.
En un contexto donde los incidentes de seguridad son cada vez más difíciles de ignorar, tu side project puede tener tests, CI/CD y deploy automático, pero seguir usando dependencias con vulnerabilidades conocidas
Corregirlo no requiere montar una infraestructura de seguridad.
Con GitHub Actions y Dependabot podés automatizar buena parte del trabajo:
1. Escanear dependencias en cada PR.
2. Analizar imágenes Docker con Trivy.
3. Recibir PRs automáticos para actualizar dependencias vulnerables o desactualizadas.
Podés pedirle a Claude Code, Codex o cualquier agente que lo configure.
Prompt para copiar:
Agregá controles de seguridad a este repositorio en una rama nueva y abrí un PR:
1. Incorporá un job independiente al CI que analice vulnerabilidades en cada PR con la herramienta adecuada al stack (Go: govulncheck; Node: npm audit; Python: pip-audit; Rust: cargo audit). Configurá el job para bloquear el merge ante hallazgos según una política de severidad explícita.
2. Si existe un Dockerfile, creá un workflow
que construya y escanee la imagen con Trivy. Ejecutalo ante cambios relevantes para la imagen y semanalmente. Reportá vulnerabilidades HIGH y CRITICAL con corrección disponible.
3. Configurá Dependabot para dependencias del proyecto, imágenes Docker y GitHub Actions. Frecuencia semanal y agrupación de actualizaciones minor y patch cuando sea compatible.
Antes de abrir el PR, ejecutá los escáneres, mostrame los hallazgos y proponé o aplicá actualizaciones compatibles. Si queda algún problema sin resolver, documentalo; no desactives los controles para conseguir un CI verde.
El último punto es clave.
Agregar un escáner es fácil. Lo difícil es incorporarlo sin que el primer PR quede bloqueado por vulnerabilidades acumuladas y terminemos desactivándolo a la semana.