Newsletter 2026-06-17

Cuando interactuamos con un LLM, la conversación puede parecer fluida, casi humana. Pero bajo el capó, la realidad es más mecánica y, si la entendemos, podemos optimizar drásticamente los resultados. Un LLM es una red neuronal masiva entrenada para predecir la siguiente secuencia de texto, y su unidad básica no es la palabra, sino el 'token'. Una palabra puede ser uno o varios tokens, y cada interacción consume una cantidad de ellos.El desafío principal reside en la 'ventana de contexto'. Este es el límite de tokens que el modelo puede procesar. Y aquí viene la clave: en cada mensaje, no solo se envía tu pregunta actual. Se envía el 'System Prompt', todo el historial de la conversación, tu mensaje actual y cualquier contexto adicional (vía RAG o embeddings). Esto significa que cada frase redundante no solo ocupa espacio valioso, sino que suma al costo y puede diluir la señal que intentás enviar.Para optimizar, la precisión es fundamental. Usar correctamente la puntuación, las mayúsculas para enfatizar, y estructurar claramente las instrucciones (como en Zero-shot o Few-shot prompting) no son detalles estéticos. Son señales directas para el LLM. Además, el 'grounding' es crucial para evitar alucinaciones. Al proporcionar contexto relevante (a través de embeddings), le das al modelo una base sólida de conocimiento sobre la cual construir su respuesta.En resumen, mejorar nuestros prompts no es cuestión de trucos mágicos, sino de ingeniería consciente. Se trata de ser un editor riguroso de cada interacción, eliminando el ruido, maximizando la claridad y aprovechando herramientas como los embeddings para enriquecer el contexto sin sobrecargarlo.

Cuando escuchás 'Loop Engineer', es fácil caer en la trampa del último buzzword. Pero si le sacamos el humo, lo que queda es una disciplina de ingeniería sólida: la automatización inteligente a través de la orquestación de agentes de IA. No hablamos de un prompt que pasás a un modelo y esperás una respuesta; esto va mucho más allá. Se trata de diseñar un ecosistema donde un evento inicial (un 'trigger') desencadena una serie de interacciones entre distintos agentes, cada uno con un rol específico, hasta que la tarea se resuelve de manera autónoma.Imaginá este escenario: un reporte de bug llega a tu sistema de monitoreo. Un agente de IA lo analiza y genera un prompt detallado. Ese prompt se lo pasa a un segundo agente, cuya misión es escribir un test de regresión que replique el bug. Una vez que el test está listo y falla, un tercer agente entra en acción: lee el código, propone una solución, la implementa y verifica que el nuevo código pase el test. Finalmente, un cuarto agente genera un Pull Request con el cambio. Este es un 'Open Loop' en acción: un flujo de trabajo que se inicia y se resuelve sin intervención humana directa en cada paso.La confusión empieza cuando intentamos clasificar estos bucles. 'Open Loop', 'Closed Loop', 'Human in the loop' y 'Human on the loop' a veces se usan de forma redundante. Simplifiquemos: un 'Open Loop' es un sistema autónomo, como el ejemplo del bug, donde el humano diseña la orquestación y solo interviene para monitorear o ajustar el sistema. Aquí es donde encaja el concepto de 'Human on the loop': el humano está 'sobre' el bucle, supervisando su rendimiento y refinando el diseño, no participando activamente en cada iteración.Por otro lado, un 'Closed Loop' describe la interacción más tradicional: un humano da un prompt, el modelo responde, y el humano evalúa y quizás refina el siguiente prompt. Esto es lo mismo que 'Human in the loop': el humano está 'dentro' del bucle, siendo una parte activa y esencial de cada iteración. La verdadera potencia de la ingeniería de bucles reside en la primera categoría, donde la IA no solo asiste, sino que toma la iniciativa y resuelve problemas complejos de forma end-to-end.

Cuando pensamos en construir productos con IA, la imagen suele ser la de un desarrollador puliendo prompts o entrenando modelos. Es una visión parcial, como la de un albañil que solo se enfoca en la calidad de cada ladrillo sin pensar en el plano general. La realidad es que la complejidad de un sistema de IA productivo no reside solo en sus componentes individuales, sino en cómo estos interactúan, se validan y se despliegan. Aquí es donde entra en juego una figura que, aunque no siempre lleva ese título, es cada vez más crítica: el 'Harness Engineer'.Imaginá un cinturón de herramientas. No crea las herramientas, pero las organiza de forma que el constructor pueda acceder a ellas eficientemente. El 'Harness Engineer' hace algo similar, pero a nivel de orquestación de sistemas. Si tu modelo de lenguaje es un programador experto en poner ladrillos, el 'Harness Engineer' es el jefe de obra. No escribe código para el modelo, sino que define qué se debe construir, en qué secuencia, quién (o qué agente de IA) es responsable de cada tarea, cómo se valida el resultado y cuándo se considera terminado el trabajo. Es quien diseña los permisos, las APIs internas y los flujos de trabajo que permiten a los distintos agentes de IA y humanos colaborar sin fricciones.Por eso, cuando leés 'AI Engineering Platform', no deberías pensar en 'otro ChatGPT que escribe código'. Deberías pensar en una plataforma que coordina el desarrollo de software utilizando humanos, IA, procesos y despliegues. El código es solo una parte del problema que intenta resolver. Este rol se enfoca en la ingeniería de la interacción: cómo asegurar que un agente de IA tenga acceso a la información correcta en el momento justo, cómo se manejan los errores, cómo se integran los resultados de un modelo en un flujo de negocio existente, y cómo se escala todo esto de manera segura y eficiente. Es la diferencia entre tener muchas herramientas potentes y tener un taller funcional.En definitiva, el 'Harness Engineer' es el encargado de transformar la capacidad bruta de la IA en valor de negocio tangible. Es un cambio de paradigma: de enfocarse solo en la inteligencia del modelo a enfocarse en la inteligencia del sistema completo. Su trabajo asegura que la promesa de la IA no se quede en demos espectaculares, sino que se materialice en productos robustos, predecibles y mantenibles.

Es fácil sentirse abrumado. Cada día, parece que una nueva herramienta de IA 'revolucionaria' surge, y el bombardeo constante de noticias sobre cómo la inteligencia artificial va a transformar todo puede generar una ansiedad paralizante. Como developers, estamos acostumbrados a aprender y adaptarnos, pero esta marea de información y la presión de 'saberlo todo ya' es diferente. Sentir que te estás quedando atrás, que tu conocimiento actual es obsoleto o que tu puesto está en riesgo, es una preocupación legítima y compartida por muchos en nuestra comunidad.Pero respiremos un segundo. La IA, en su esencia, es una herramienta. Una herramienta increíblemente potente, sí, pero una herramienta al fin y al cabo. Y como cualquier herramienta, requiere práctica y experimentación para dominarla. La trampa está en creer que tenés que ser un experto en modelos fundacionales o en la última arquitectura de Transformers para empezar. La verdad es que la forma más efectiva de arrancar es, paradójicamente, la más simple: empezar a usarla. No busques el prompt perfecto de entrada, ni la solución más compleja. Simplemente, animate a interactuar, a probar, a fallar y a ajustar.Tu valor como developer no reside en tu capacidad para memorizar APIs de LLMs, sino en tu criterio, tu capacidad de resolver problemas y tu entendimiento del dominio. Esas son las habilidades que te trajeron hasta acá y las que te permitirán integrar la IA de forma significativa. Un prompt básico, una pequeña automatización, un experimento para entender cómo responde un modelo a una tarea específica: cada uno de esos pasos, por insignificante que parezca, genera un punto de partida. Y sin un punto de partida, no hay nada que iterar. Tu experiencia actual es el ancla que te permite navegar este nuevo mar; no la descartes, usala para guiar tus experimentos.El 'ruido' del ecosistema IA es inmenso. Hay miles de voces, promesas y advertencias. Tu tarea no es absorberlas todas, sino filtrar lo relevante para tu contexto y tus proyectos. Creá tu propio plan de acción, por más modesto que sea. Dedicá un tiempo cada semana a explorar una faceta de la IA que te interese, sin presiones. Recordá que la adopción de nuevas tecnologías siempre fue un proceso gradual. La IA no es una excepción, y tu ritmo personal es mucho más sostenible y productivo que el pánico dictado por el último titular.