Los equipos de ingeniería de software nativos de IA operan de manera diferente a los equipos tradicionales. La diferencia más evidente es que utilizan agentes de codificación para construir productos de manera más rápida, lo que también conlleva cambios en su funcionamiento. Por ejemplo, algunos ingenieros asumen roles más amplios que solo escribir código; son, en parte, gerentes de producto, diseñadores e incluso a veces, responsables de marketing.
Con la capacidad de construir a gran velocidad, es necesario dedicar más tiempo a decidir qué construir. Para abordar el cuello de botella en la gestión de proyectos, algunos equipos están reduciendo la proporción de ingenieros a gerentes de producto (PM) de 8:1 a tan solo 1:1. Sin embargo, se puede hacer aún mejor: si un PM decide qué construir y un ingeniero se encarga de ello, la comunicación entre ambos puede convertirse en un nuevo cuello de botella. Por ello, los equipos más ágiles suelen contar con ingenieros que comprenden tareas de producto y, opcionalmente, PMs que conocen aspectos técnicos.
Evolución de Roles en el Desarrollo de Producto
He observado que los ingenieros amplían sus roles para incluir decisiones sobre el producto, mientras que los PMs aprenden a construir software. La industria tecnológica tiene más ingenieros que PMs, pero ambos caminos son prometedores. Si eres ingeniero, es útil adquirir habilidades de gestión de producto; y si eres PM, te animo a aprender a construir.
Más allá del cuello de botella en la gestión de productos, también surgen limitaciones en diseño, marketing y cumplimiento legal. Al acelerar el proceso de codificación, todo lo demás parece lento en comparación. Por ejemplo, algunos equipos han desarrollado características tan rápidamente que el departamento de marketing se ha visto abrumado intentando comunicarlas a los usuarios, creando así un cuello de botella en marketing. Asimismo, cuando un equipo puede construir software en un día y el departamento legal necesita una semana para revisarlo, se produce un cuello de botella en cumplimiento legal.
Equipos Pequeños y Generalistas
Los equipos pequeños, habilitados por la IA, logran realizar más tareas y los generalistas destacan. Las empresas tradicionales necesitan reunir personas de diversas especialidades —ingeniería, gestión de producto, diseño, marketing, legal, etc.— para ejecutar proyectos y crear valor. Esto ha resultado en grandes equipos de especialistas trabajando juntos. Sin embargo, si un equipo de dos personas debe realizar un trabajo que requiere cinco especialidades, algunos de ellos deben desempeñar roles fuera de su especialidad única.
Incluso en un equipo de dos, para avanzar rápidamente, se deben minimizar los cuellos de botella en la comunicación. Por ello, valoro a los equipos que trabajan en el mismo lugar. Aunque los equipos remotos también pueden rendir bien, la velocidad máxima se logra cuando todos están presentes y pueden comunicarse instantáneamente para resolver problemas.
Esta reflexión se centra en equipos nativos de IA de entre 2 a 10 personas, pero no todo puede ser realizado por un equipo pequeño. En el futuro, abordaré la coordinación de equipos más grandes.
Reconozco que estos cambios en los roles laborales son difíciles de navegar para muchas personas. Sin embargo, me anima ver que individuos y pequeños equipos dispuestos a aprender las habilidades relevantes son ahora capaces de lograr mucho más que antes. ¡Estamos en la era dorada del aprendizaje y la construcción!
Atentamente, Andrew
Un Mensaje de DeepLearning.AI
En “Spec-Driven Development”, aprenderás un flujo de trabajo disciplinado para trabajar con agentes de codificación. ¡Escribe especificaciones, guía la implementación paso a paso y mantente en control de lo que construyes! Únete gratis
Meta ha cambiado su estrategia de pesos abiertos para ofrecer una alternativa cerrada.
Novedades: Meta introdujo su primer modelo de IA en un año, Muse Spark, un modelo de razonamiento multimodal que admite el uso de herramientas y la orquestación multiagente.
Este modelo destaca en algunos benchmarks de salud y multimodal, aunque tiene debilidades en programación y trabajos de agente, lo que valida un rediseño arquitectónico en el que la empresa planea construir modelos más grandes.
- Entrada/salida: Texto, imagen, voz (hasta 262,000 tokens), salida de texto.
- Rendimiento: Cuarta posición en el Índice de Inteligencia Artificial.
- Disponibilidad: Gratis en meta.ai y en la aplicación Meta AI; próximamente en WhatsApp, Instagram, Facebook, Messenger y gafas Meta AI de Ray-Ban.
- Características: Tres modos de razonamiento (instantáneo, reflexionando, contemplando) y modo de compras.
- No revelado: Conteo de parámetros, arquitectura, datos y métodos de entrenamiento, límite de tamaño de salida.
Funcionamiento: Meta reveló detalles técnicos limitados sobre Muse Spark, pero destacó mejoras en eficiencia de entrenamiento y orquestación multiagente, además de una inversión específica en salud.
- La compañía reestructuró su enfoque de preentrenamiento, arquitectura del modelo, optimización y curación de datos.
- El post-entrenamiento implicó aprendizaje por refuerzo, penalizando al modelo por usar tokens de razonamiento excesivos, un proceso denominado compresión de pensamiento.
- En lugar de procesar una única cadena de pensamiento, el modo de contemplación activa múltiples agentes que proponen soluciones, las refinan y agregan los resultados en paralelo.
- Para mejorar el razonamiento en salud, Meta colaboró con más de 1,000 médicos para ayudar a curar datos de entrenamiento.
Resultados: El rendimiento de Muse Spark es generalmente competitivo y notablemente eficiente en tokens. Sin embargo, presenta brechas en programación y rendimiento de agente.
- En el Índice de Inteligencia Artificial, Muse Spark ocupó el cuarto lugar en razonamiento, detrás de Gemini 3.1 Pro y GPT-5.4, que se clasificaron en la tercera posición.
- En benchmarks multimodales, Muse Spark superó a GPT-5.4 y Gemini 3.1 Pro en al menos uno, según Meta.
- En el Índice de Codificación, Muse Spark quedó detrás de GPT-5.4, Gemini 3.1 Pro y Claude Sonnet 4.6.
- Meta informa que Muse Spark mostró un rendimiento superior en HealthBench Hard y en evaluaciones de navegación por agentes.
Detrás de la noticia: Muse Spark es el primer modelo nuevo de Meta desde su reorganización tras críticas acerca de la contaminación de datos de entrenamiento. Con una inversión significativa en AI, la compañía busca competir con OpenAI y Google.
Importancia: Meta está invirtiendo en capacidades críticas para su ambición de producto. Sin embargo, su cambio de estrategia hacia modelos cerrados es una pérdida significativa para la comunidad de desarrolladores.
La IA generativa ha demostrado ser capaz de producir texto, imágenes, audio, video y código. La compañía farmacéutica más valiosa del mundo está apostando miles de millones a que también puede producir medicamentos.
Novedades: Eli Lilly acordó destinar hasta $2.75 mil millones a Insilico Medicine, una compañía biotecnológica de Hong Kong que aplica IA generativa a su proceso de descubrimiento de medicamentos.
Insilico ha desarrollado 28 medicamentos candidatos, de los cuales aproximadamente la mitad están en ensayos clínicos.
Proceso de Descubrimiento de Medicamentos
Insilico aplica modelos generativos en dos etapas del descubrimiento de medicamentos: identificar proteínas a las que dirigirse y diseñar moléculas que actúen sobre esas proteínas.
- Para encontrar objetivos, Insilico utiliza una herramienta llamada PandaOmics para analizar conjuntos de datos biológicos y estudios. Los modelos de aprendizaje profundo clasifican candidatos por relevancia y novedad.
- Para diseñar moléculas, el equipo utiliza Chemistry42, generando estructuras moleculares optimizadas en paralelo.
- Desde la identificación de objetivos hasta la síntesis de moléculas, el proceso de Insilico ha tomado aproximadamente 18 meses, en comparación con los 5 a 6 años típicos del proceso tradicional.
Dificultades de Desarrollo: Desarrollar un nuevo medicamento suele tardar entre 10 y 15 años y cuesta más de $2 mil millones, con un alto porcentaje de fracasos. Sin embargo, un número creciente de desarrolladores de medicamentos está aplicando IA para acelerar este proceso.
Importancia: La pipeline de Insilico sugiere que la IA generativa puede abordar uno de los problemas más difíciles de la ciencia: encontrar una molécula que se una a una proteína específica y sea efectiva en el cuerpo.
Los estados de EE. UU. continúan promulgando leyes que regulan la IA, a pesar de los esfuerzos del presidente Trump por desalentar esta legislación.
Novedades: Muchos estados han movido a regular la IA este año, contribuyendo a un creciente mosaico de legislación. En total, se están considerando más de 1,500 proyectos de ley, además de más de 100 leyes existentes.
Cálculo de la Regulación: El gobernador de California, Gavin Newsom, ha sido un oponente visible de los esfuerzos de la administración Trump. Más de 40 estados están en proceso de promulgar sus propias leyes.
- California: Se establecieron leyes exhaustivas que requieren que las herramientas de IA protejan la privacidad y mitiguen sesgos.
- Colorado: La ley de IA más estricta del país fue aprobada, exigiendo a los desarrolladores proteger a los consumidores de discriminación algorítmica.
- Minnesota: Prohibió la interferencia en elecciones a través de deepfakes y está considerando más restricciones sobre el uso de IA.
- Ohio: Se prohibió el uso de IA para replicar la voz o la imagen de una persona sin su permiso.
Detrás de la noticia: La administración Trump comenzó a promover regulaciones nacionales sobre leyes estatales, temiendo que un mosaico estatal pudiera obstaculizar el liderazgo de EE. UU. en IA.
Importancia: Un paisaje regulatorio complejo en torno a la IA crea un potencial campo minado para el cumplimiento y aumenta el costo de construir sistemas de IA.
Los modelos de lenguaje grandes pueden simular usuarios que responden preguntas sobre capacidades o precios. Sin embargo, su rango de respuestas no refleja la variabilidad humana. Investigadores desarrollaron un método que permite a los LLM adoptar personalidades con actitudes personalizables.
Novedades: Un equipo en Google propuso Generadores de Personalidades.
Resultados: Este enfoque produce un conjunto de 25 personalidades que cubren un rango diverso de actitudes y opiniones, permitiendo a las organizaciones obtener insights de un público más diverso.
Importancia: Las personalidades sintéticas ofrecen posibilidades intrigantes para abordar cuellos de botella en la gestión de productos, facilitando decisiones sobre qué construir.
