Cada artículo parte de una fuente concreta y se queda con una sola idea. Primero el más reciente. Pulsa un cuadro y se abre el texto completo: castellano primero, traducción al inglés debajo, con la ruta del fichero de origen al lado de cada versión.
Ningún artículo con ese filtro.
Palantir ha publicado el mapa entero de su plataforma de agentes.
Doce cajas numeradas. El modelo de lenguaje no tiene ninguna.
Llevamos dos años discutiendo cuál es el mejor modelo. Como si elegir bien fuese el trabajo.
El modelo entra por la caja 1, que ni siquiera se llama "IA". Se llama integración segura, hosting y acceso. Comparte cajón con la caché, los límites de uso y la ofuscación de datos personales. Un proveedor más.
Lo que ocupa el centro de la lámina es otra cosa: la Ontología. El mapa de la empresa. Qué objetos existen, qué acciones se permiten y quién decide. El agente no actúa sobre tu base de datos, actúa sobre ese mapa.
Y alrededor, once capas de lo aburrido. Observabilidad de punta a punta. Suites de evaluación. Permisos por rol y por propósito. Aprobaciones y checkpoints. Canales de release. Capas enteras cuya única función es saber qué hizo el agente y poder pararlo.
En Joblanders lo vemos igual cada vez que un piloto se cae. Conectar el canal y montar el bucle lo hace cualquiera en una tarde. Lo que separa una demo de algo a lo que una empresa le deja tocar sus datos son las otras once.
Casi nadie pierde un proyecto de IA por elegir mal el modelo. Se pierden por las once cajas que nadie dibujó.
¿Tu proyecto de IA tiene ontología y evaluación, o solo tiene prompt?
Palantir has published the full map of its agent platform.
Twelve numbered boxes. The language model does not get one.
We have spent two years arguing about which model is best. As if picking the right one were the job.
The model comes in through box 1, which is not even called "AI". It is called secure integration, hosting and access. It shares a drawer with the cache, the rate limits and the personal data obfuscation. One more supplier.
What sits at the centre of the chart is something else: the Ontology. The map of the company. Which objects exist, which actions are allowed, and who decides. The agent does not act on your database. It acts on that map.
And around it, eleven layers of the boring stuff. End to end observability. Evaluation suites. Role based and purpose based permissions. Approvals and checkpoints. Release channels. Whole layers whose only job is to know what the agent did and to be able to stop it.
At Joblanders we see the same thing every time a pilot falls over. Anybody can wire up the channel and build the loop in an afternoon. What separates a demo from something a company will let near its data is the other eleven.
Almost nobody loses an AI project by picking the wrong model.
They lose them because of the eleven boxes nobody drew.
Does your AI project have an ontology and evaluations, or does it just have a prompt?
Cursor voló dos veces a Alemania para fichar a un ingeniero que seguía diciendo que no.
No mandaron un email mejor. Fueron en persona.
Durante décadas, contratar fue un problema de volumen. Un recruiter abría un puesto, revisaba el inbound, movía gente por etapas, cerraba la posición y a por la siguiente. Un embudo. Funcionaba.
Ese juego se acabó para los mejores.
Lo explica Rich Zou. Cuando cada fichaje marca el listón de los diez siguientes (Stripe regaló más del 10% de la empresa a sus diez primeros) ya no procesas candidatos. Identificas a unas pocas personas excepcionales, construyes una relación real, y las convences de apostar su carrera por ti.
Y aquí está la línea que importa.
Puedes automatizar cómo encuentras y contactas a la gente. Los agentes de sourcing, los mapas de mercado, los grafos de relaciones. Esa capa es real y vale mucho. Lo que no puedes automatizar es que alguien quiera venir. Que confíe en ti.
Identificar y contactar es un problema de ingeniería. Cerrar, la relación, es humano.
Confundir las dos es como acabas con un pipeline precioso y nadie que quiera trabajar contigo.
El junior que aprende a ser ese imán, la persona a la que los buenos quieren acercarse, entra al mercado con algo que ninguna herramienta replica.
Lo escaso ya no es encontrar al candidato. Es ser alguien por quien valga la pena decir que sí.
No es el embudo. Es la persona excepcional que te habla de un problema que merece tu vida.
¿Cuánto de tu forma de contratar es ingeniería, y cuánto sigue siendo humano?
Cursor flew to Germany twice to hire an engineer who kept saying no.
They didn't send a better email. They showed up in person.
For decades, hiring was a volume problem. A recruiter opened a role, reviewed the inbound, moved people through stages, closed the position, and on to the next. A funnel. It worked.
That game is over for the best.
Rich Zou explains why. When each hire sets the bar for the next ten (Stripe gave away more than 10% of the company to its first ten people) you are no longer processing candidates. You identify a few exceptional people, build a real relationship, and convince them to bet their career on you.
And here is the line that matters.
You can engineer how you find and reach people. The sourcing agents, the market maps, the relationship graphs. That layer is real and it is valuable. What you cannot engineer is whether someone wants to come. Whether they trust you.
Identify and engage is an engineering problem. The close, the relationship, is a human one.
Confusing the two is how you end up with a beautiful pipeline and nobody who actually wants to work with you.
The junior who learns to be that magnet, the person the best want to be near, walks into the market with something no tool can replicate.
The scarce thing is no longer finding the candidate. It's being someone worth saying yes to.
It's not the funnel. It's the exceptional person telling you about a problem worth your life.
How much of the way you hire is engineering, and how much is still human?
Monaco mandó sets de póker de 100 dólares a sus 100 clientes ideales. Le funcionó mejor que decenas de miles en anuncios.
Su jefe de ventas, Sam Blond, lo cuenta como una regla, no como una anécdota.
Durante años el consejo fue claro: si no creces, mete más presupuesto. Más Google, más LinkedIn, más vallas. El dinero compraba la atención.
Ese atajo se está encareciendo.
Blond lo dice sin rodeos. Con presupuesto corto, asume que las campañas grandes están fuera, y se obliga a una idea creativa al mes. Prefiere lo operativamente difícil pero barato a lo fácil pero caro. Un show de comedia en la oficina. Cien sets de póker a cien clientes. Cosas que cuestan trabajo, no dinero.
Porque comprar atención ya lo puede hacer cualquiera con una tarjeta. Lo que casi nadie tiene es la idea que hace que te recuerden.
Lo escaso ya no es el presupuesto. Es la creatividad para que te vean.
No gana quien puja más alto. Gana quien se hace recordar.
¿Cuándo fue la última vez que una marca te llamó la atención sin que fuera un anuncio pagado?
Monaco sent $100 poker sets to its 100 ideal customers. It beat tens of thousands spent on ads.
Its head of sales, Sam Blond, tells it as a rule, not an anecdote.
For years the advice was clear: if you're not growing, spend more. More Google, more LinkedIn, more billboards. Money bought attention.
That shortcut is getting expensive.
Blond says it plainly. On a tight budget, he assumes the big campaigns are off the table, and forces himself to one creative idea a month. He'd rather do the thing that's operationally hard but cheap than the thing that's easy but expensive. A comedy show in the office. A hundred poker sets to a hundred customers. Things that cost effort, not money.
Because buying attention is something anyone with a card can now do. What almost nobody has is the idea that makes you memorable.
The scarce thing is no longer the budget. It's the creativity to get seen.
The junior who can invent that idea enters the market with an edge. The one who only knows how to raise the ad bid doesn't.
The winner isn't whoever bids highest. It's whoever makes themselves remembered.
How much of your distribution is budget anyone can match, and how much is an idea only you could have had?
Un agente cambió algo en tu sistema esta noche. Si lo escribió en una base de datos, para saber qué hizo necesitas una query, una herramienta de admin o un pipeline de logs.
Si lo escribió en un fichero, solo lo abres.
Carter Rabasa, que programa desde el año 2000 pensando en tablas y esquemas, defiende una idea sencilla: la memoria natural de un agente no es SQL ni una API a medida. Son los documentos de contexto. Una carpeta.
Tiene lógica. Las bases de datos se diseñaron para programas que ya saben qué quieren. El agente vive una capa antes, interpretando objetivos confusos y correcciones humanas. Y los modelos llevan trillones de tokens entrenados en cincuenta años de arquitectura Unix.
La interfaz que mejor conocen no es la más nueva. Es la más vieja.
Pero lo que de verdad importa no es lo que entiende la máquina. Es lo que entiendes tú.
Cuando el agente edita un fichero, abres el doc, comentas, reviertes, lo arreglas a mano. Recuperas el control. Llevamos años optimizando el software para la máquina y dejando al humano fuera del bucle.
El futuro no es la base de datos. Es el documento que los dos podéis editar.
Lo que vale es poder abrir el fichero y entender qué pasó.
¿Cuánto de tu stack lo entiende solo la máquina, y cuánto podrías abrir y entender tú mismo?
An agent changed something in your system last night. If it wrote to a database, to find out what it did you need a query, an admin tool or a log pipeline.
If it wrote to a file, you just open it.
Carter Rabasa, who has been programming since 2000 in tables and schemas, makes a simple case: an agent's natural memory isn't SQL or a bespoke API. It's the context documents. A folder.
It makes sense. Databases were designed for programs that already know what they want. The agent lives one layer earlier, interpreting fuzzy goals and human corrections. And models carry trillions of tokens trained on fifty years of Unix architecture. The interface they know best isn't the newest.
It's the oldest.
But what really matters isn't what the machine understands. It's what you understand.
When the agent edits a file, you open the doc, comment, revert, fix it by hand. You get the control back. We have spent years optimising software for the machine and leaving the human out of the loop.
The future isn't the database. It's the document you can both edit.
What matters is being able to open the file and understand what happened.
How much of your stack does only the machine understand, and how much could you open and understand yourself?
Marc Lou ha lanzado 35 productos en público. Su consejo número uno no va sobre el producto.
Va sobre lo que pasa en los diez segundos antes de que alguien decida si le importas.
Durante años, construir era la parte difícil. El producto bueno se abría camino solo, decíamos. Si algo no funcionaba, era porque faltaba una feature, más ingeniería, más tiempo de desarrollo.
Esa parte ya casi no cuesta.
Hoy cualquiera monta el producto. Lo que casi nadie domina es que se entienda a la primera. Lou lo resume en una regla que parece de copywriter y es de producto: el 80% de tus visitantes no hace scroll. Decides en una pantalla. Una idea, un titular con un número y no un adjetivo, un solo botón que diga lo que va a pasar.
No vendes "rápido". Vendes "ahorra cuatro horas a la semana".
Ayer hablábamos de cómo se lanza algo sin presupuesto. Hoy el problema es el siguiente paso: que el que llega entienda qué tiene delante antes de irse.
Lo escaso ya no es construir el producto. Es que se entienda en diez segundos.
No es la feature. Es el primer vistazo.
¿Cuántos productos buenos has descartado sin pasar de la primera pantalla?
Marc Lou has launched 35 products in public. His number one piece of advice is not about the product.
It is about what happens in the ten seconds before somebody decides whether you matter.
For years, building was the hard part. A good product made its own way, we said. If something did not work, it was because a feature was missing, or more engineering, or more development time.
That part barely costs anything now.
Today anyone can put the product together. What almost nobody masters is being understood on the first pass. Lou boils it down to a rule that sounds like copywriting and is really about product: 80% of your visitors do not scroll. You decide it all on one screen. One idea, a headline with a number and not an adjective, a single button that says what is about to happen.
You do not sell "fast". You sell "save four hours a week".
Yesterday we talked about how you launch something with no budget. Today the problem is the next step: that whoever arrives understands what is in front of them before they leave.
The scarce thing is no longer building the product. It is being understood in ten seconds.
It is not the feature. It is the first glance.
How many good products have you written off without getting past the first screen?
Peter Thiel, cofundador de PayPal, Founders Fund, Palantir y uno de los principales inversores en SpaceX, acaba de dar por muerta la ventaja intelectual de los últimos dos siglos.
Su tesis es incómoda, y apunta justo a los que se creían a salvo.
Durante doscientos años, la élite se construyó sobre una sola habilidad: el cálculo.
El que dominaba las matemáticas tenía el foso. Ingeniería, finanzas, código. Ahí estaba la ventaja.
Esa ventaja está desapareciendo.
Thiel lo explica claramente: la IA hace cada vez mejor la parte calculable del trabajo, y con ella se evapora la ventaja del cerebro de cálculo puro. La Revolución Industrial devaluó los músculos. La de la IA está devaluando el cálculo.
Lo que no automatiza es la otra parte: el que sabe nombrar el problema, leer el contexto social, anclar una decisión en una narrativa que la gente entienda y siga. El que usa el lenguaje para gobernar al algoritmo, no para obedecerlo.
No es que las humanidades ganen y STEM pierda. Es que el premio se va a quien combina las dos: código que además sabe contar una historia.
Lo escaso ya no es calcular. Es decidir qué merece calcularse, y saber contarlo.
¿Quién creéis que se va a beneficiar más de este cambio?
Peter Thiel, co-founder of PayPal, Founders Fund, Palantir and an early backer of SpaceX, has just declared the intellectual edge of the last two centuries dead.
His thesis is uncomfortable, and it points straight at the people who thought they were safe.
For two hundred years, the elite was built on a single skill: calculation.
Whoever mastered the maths held the moat. Engineering, finance, code. That was the edge.
That edge is disappearing.
Thiel puts it plainly. AI keeps getting better at the calculable part of the work, and with it the advantage of the pure calculating brain evaporates. The Industrial Revolution devalued muscle. The AI revolution is devaluing calculation.
What it doesn't automate is the other part. The person who can name the problem, read the social context, anchor a decision in a narrative people understand and follow. The person who uses language to govern the algorithm, not to obey it.
It isn't that the humanities win and STEM loses. It's that the prize goes to whoever combines the two: code that can also tell a story.
What's scarce is no longer calculating. It's deciding what's worth calculating, and knowing how to tell it.
Who do you think will benefit most from this shift?
Garry Tan escribió medio millón de líneas de código para construir una app. Estaba orgulloso. Dice que no debería haberlo estado.
Durante décadas, ser bueno programando significó una cosa: más código. Capacidad igual a líneas. Y era verdad. Escribías software para racionar al modelo, para vigilarlo, porque cada llamada era cara.
Esa ecuación se ha dado la vuelta.
Tan audita su propio proyecto y cuenta lo que encuentra: 262.000 líneas de aplicación y 276.000 líneas de tests cuyo único trabajo era vigilar al modelo. Validadores, retry loops, 127 procesos en segundo plano. Cada una de esas líneas, dice, es una apuesta a que el trabajador va a fallar. Había construido una fábrica Foxconn para un trabajador hiperinteligente que no la necesitaba. Y se había quedado de carcelero.
Cuando construir deja de ser lo caro, lo escaso pasa a ser otra cosa. Tan lo cierra así: "el recurso escaso pasa a ser la claridad, el gusto y el juicio. El ingeniero que escribe menos código es a menudo el que más construye."
En Joblanders lo vemos igual. El valor deja de estar en cuánto puedes producir. Pasa a estar en saber qué merece existir.
Si construir ya no es el cuello de botella, ¿tu trabajo es producir, o decidir qué merece la pena construir?
Garry Tan wrote half a million lines of code to build an app. He was proud of it. He says he should not have been.
For decades, being good at programming meant one thing: more code. Capacity equalled lines. And it was true. You wrote software to ration the model, to police it, because every call was expensive.
That equation has flipped.
Tan audits his own project and reports what he finds: 262,000 lines of application and 276,000 lines of tests whose only job was to police the model. Validators, retry loops, 127 background processes. Every one of those lines, he says, is a bet that the worker is going to fail. He had built a Foxconn factory for a hyper intelligent worker that did not need one. And he had ended up as its jailer.
When building stops being the expensive part, the scarce thing becomes something else. Tan closes it like this: "the scarce resource becomes clarity, taste and judgement. The engineer who writes less code is often the one who builds the most."
At Joblanders we see it the same way. Value stops being about how much you can produce. It moves to knowing what deserves to exist.
If building is no longer the bottleneck, is your job to produce, or to decide what is worth building?
Ayer OpenAI te dejó construir una app interna, con login y base de datos, sin salir de ChatGPT.
Durante quince años el SaaS fue siempre lo mismo: pagabas una cuota al mes por un software que vivía en su propia pestaña. Cada herramienta con su web, su usuario y su factura.
Ayer eso empezó a agrietarse.
Con Codex Sites montas un dashboard o una herramienta interna dentro de ChatGPT, con "Sign in with ChatGPT" y almacenamiento propio. Y los nuevos plugins por rol traen 62 apps y 110 skills empaquetadas (Salesforce, Figma, Snowflake) al sitio donde ya trabajas. El software deja de ser un lugar al que entras. Pasa a ser algo que el asistente hace por ti.
Mira el plugin de ventas. Junta Salesforce, HubSpot y Slack en un mismo sitio. El comercial deja de saltar entre tres pestañas y tres logins. Le pide al asistente y este entra por él. El CRM no desaparece. Pasa a ser una tubería que alguien llama, no una pantalla a la que entras.
No es el fin de todo el SaaS. El sistema de registro, los datos regulados, la infraestructura difícil de copiar, todo eso aguanta. Lo que se evapora es la capa fina: el wrapper, el dashboard de una sola función, la herramienta interna que antes montabas en una tarde.
Y ahí está el giro. El valor deja de estar en ser dueño de la interfaz. Pasa a estar en entender el flujo de trabajo lo bastante bien como para dirigirlo.
Si tu producto es sobre todo una pantalla bonita encima de una base de datos, ¿qué te queda cuando el asistente dibuja la pantalla solo?
Yesterday OpenAI let you build an internal app, with a login and a database, without leaving ChatGPT.
For fifteen years SaaS was always the same: you paid a monthly fee for software that lived in its own tab. Every tool with its own site, its own login, its own invoice.
Yesterday that started to crack.
With Codex Sites you build a dashboard or an internal tool inside ChatGPT, with "Sign in with ChatGPT" and its own storage. And the new role plugins bring 62 apps and 110 skills bundled together (Salesforce, Figma, Snowflake) to the place where you already work. Software stops being a place you go to. It becomes something the assistant does for you.
Take the sales plugin. It pulls Salesforce, HubSpot and Slack into one place. The rep stops jumping between three tabs and three logins. They ask the assistant and it goes in for them. The CRM does not disappear. It becomes a pipe something calls, not a screen you log into.
This isn't the end of all SaaS. The system of record, regulated data, infrastructure that is hard to copy, all of that holds. What evaporates is the thin layer: the wrapper, the single-function dashboard, the internal tool you used to build in an afternoon.
And there is the turn. The value stops being about owning the interface. It moves to understanding the workflow well enough to direct it.
If your product is mostly a pretty screen on top of a database, what is left when the assistant draws the screen on its own?
Llevo meses trabajando con Claude Code. La regla que más ha cambiado mi forma de trabajar no es un prompt. Es esta: si no está en el repo, no existe.
Lo vi claro con un dato de un curso de Walking Labs. El mismo modelo, sin tocarlo, pasa del 20% de tareas resueltas con solo un README, al 60% cuando añades un archivo que le explica el proyecto, al 80% cuando le das comandos para verificar su trabajo, y al 100% cuando guarda su progreso entre sesiones.
El modelo no cambió. Cambió lo que tenía alrededor.
A eso lo llaman el arnés, y se levanta sobre un principio: el repositorio es el sistema de registro. La arquitectura, las reglas, qué quedó a medias ayer. Si no está escrito en el repo, para el agente no existe.
De ahí salen las dos piezas que más rinden. La verificación: sin comandos que comprueben su propio trabajo, el agente canta victoria antes de tiempo. Por eso el que escribe el código no debería ser el que dice que está terminado. Y el estado: lo que sobrevive cuando se reinicia el contexto, y permite que el trabajo de varias sesiones sume en vez de acumular caos.
Hay un test para saber si el tuyo funciona. Abre una sesión nueva, sin contexto, solo con el repo. ¿Sabe qué hace el proyecto, cómo se ejecuta y cómo se verifica un cambio? Si no, el problema no es el modelo.
Es el mismo test que un buen onboarding. ¿Puede un junior abrir el repo en frío y sacar una PR antes de comer?
¿Qué pondrías mañana en tu repo para que la respuesta fuera sí?
I have been working with Claude Code for months. The rule that changed how I work the most is not a prompt. It is this one: if it is not in the repo, it does not exist.
I saw it clearly in a figure from a Walking Labs course. The same model, untouched, goes from 20% of tasks solved with only a README, to 60% when you add a file that explains the project, to 80% when you give it commands to verify its own work, and to 100% when it saves its progress between sessions.
The model did not change. What changed is what sat around it.
They call that the harness, and it stands on one principle: the repository is the system of record. The architecture, the rules, what was left half done yesterday. If it is not written in the repo, for the agent it does not exist.
Two pieces pay off the most. Verification: without commands that check its own work, the agent declares victory too early. That is why whoever writes the code should not be the one who says it is finished. And state: what survives when the context resets, and lets the work of several sessions add up instead of piling up chaos.
There is a test to know whether yours works. Open a fresh session, no context, only the repo. Does it know what the project does, how to run it and how to verify a change? If not, the problem is not the model.
It is the same test as a good onboarding. Can a junior open the repo cold and ship a PR before lunch?
What would you put in your repo tomorrow so that the answer is yes?
En el mejor sistema de agentes que he leído este mes, escribir código es solo el 31% del trabajo. Revisarlo, probarlo e integrarlo es el 44%.
Lo cuenta Santosh Kumar Radha, CTO de AgentField.
Durante años el valor estuvo en ejecutar: quien escribía más rápido, más limpio, más código. La IA acaba de mover esa cuenta.
Cuando la arquitectura alrededor del modelo es buena, el modelo importa menos. En su sistema, un modelo de primera y otro diez veces más barato dan el mismo resultado, porque lo que falla uno lo caza la verificación del otro.
Así que lo escaso ya no es producir. Es verificar: saber qué pedir, poner los límites y revisar el resultado. Gobernar, no microgestionar. Igual que un buen jefe de ingeniería no te dice qué teclas pulsar.
Esa unidad que gobiernas tiene nombre: el harness, el arnés que envuelve al modelo. Claude Code es uno. Le das un objetivo y decide solo cómo llegar. Por eso verificar no es vigilar cómo trabaja. Es comprobar que el resultado cumple lo que pediste.
Los equipos humanos llevan décadas en esto. Gastan más horas en revisar e integrar que en escribir la primera versión. Ahora se mide en compute.
Y eso cambia lo que vale un junior. El que mejor verifica vale más que el que solo escribe rápido. No es la velocidad de teclado. Es el criterio.
¿En tu equipo seguís pagando por ejecutar, o ya por verificar?
In the best agent system I have read about this month, writing code is only 31% of the work. Reviewing it, testing it and integrating it is 44%.
It comes from Santosh Kumar Radha, CTO of AgentField.
For years the value was in executing: whoever wrote more code, faster and cleaner. AI just moved that account.
When the architecture around the model is good, the model matters less. In his system, a top model and another one ten times cheaper give the same result, because what one gets wrong is caught by the other one's verification.
So the scarce thing is no longer producing. It is verifying: knowing what to ask for, setting the limits and reviewing the result. Governing, not micromanaging. The same way a good head of engineering does not tell you which keys to press.
That unit you govern has a name: the harness, the frame that wraps the model. Claude Code is one. You give it a goal and it decides on its own how to get there. That is why verifying is not watching how it works. It is checking that the result meets what you asked for.
Human teams have been doing this for decades. They spend more hours reviewing and integrating than writing the first version. Now it is measured in compute.
And that changes what a junior is worth. The one who verifies best is worth more than the one who only writes fast. It is not typing speed. It is judgement.
In your team, are you still paying for executing, or already for verifying?
Si mañana Anthropic saca tu mismo caso de uso, ¿el cliente te seguiría necesitando?
La pregunta parece tonta. La respuesta separa dos tipos de empresa que en LinkedIn se confunden todo el rato.
a16z lo llama el Yellow Brick Road. Es el camino por donde los labs caminan con todos sus recursos: Codex, Cowork, copilots horizontales con conectores estándar.
Cualquier startup que construya ahí compite contra el dueño del modelo, su distribución y sus márgenes. El resto de Oz son los problemas verticales que quedan fuera del camino, donde el valor viene del scaffolding alrededor del modelo, no del modelo en sí.
Tres maneras de saber dónde estás:
Si caes fuera del camino de Oz, te defienden cuatro cosas que el lab horizontal no puede imitar:
Las cuatro vienen del mismo sitio: foco.
La prueba más limpia es que Anthropic y OpenAI acaban de montar joint ventures de servicios profesionales para configurar sus modelos dentro de empresas. Cientos de millones cada una. No metes ese dinero ahí si crees que el siguiente release lo resuelve solo.
El modelo es fungible debajo. El sistema de trabajo, no.
Para el junior que entra ahora, eso cambia dónde merece la pena empezar.
¿En qué lado del test cae lo que estás construyendo hoy?
If Anthropic ships your exact use case tomorrow, would the customer still need you?
The question sounds silly. The answer separates two kinds of company that get confused on LinkedIn all the time.
a16z calls it the Yellow Brick Road. It's the path the labs are walking with all their resources: Codex, Cowork, horizontal copilots with standard connectors.
Any startup building there is competing against the model owner, their distribution, and their margins. The rest of Oz are the vertical problems that sit off the road, where value comes from the scaffolding around the model, not from the model itself.
Three ways to know where you are:
If you sit off the Yellow Brick Road, four things defend you that the horizontal lab can't copy:
All four come back to the same thing: focus.
The cleanest signal is that Anthropic and OpenAI have just launched professional-services joint ventures to configure their models inside enterprises. Hundreds of millions each. You don't pour that kind of money in if you believe the next release will sort it out.
The model is fungible underneath. The system of work is not.
For the junior entering the market right now, that changes where it's worth starting.
Which side of the test does what you're building today fall on?
Llevo un mes probando setups de multi-agent. La mayoría no cambian nada. Y no me lo esperaba.
El 90% del contenido sobre multi-agent vende lo mismo: complejidad. Cuatro agentes, seis agentes, orquestadores, routing logic. Diagramas que parecen organigramas de banca de inversión.
La mayoría es decoración.
La única separación que cambia el output es vieja y aburrida. El que produce no puede ser el que aprueba. Un agente escribe. Otro mide contra una rúbrica fija. Y ese segundo nunca escribe. Solo aprueba o devuelve con instrucciones concretas.
Es lo que el periodismo lleva siglo y medio haciendo con el editor. Lo que el código aprendió con el code review. Lo que cualquier auditoría seria exige por defecto. Separación de funciones. Nada nuevo.
Anthropic publicó hace meses una investigación entera sobre cómo construyeron su sistema multi-agent. La conclusión técnica es interesante. La estructural es más simple: el agente que evalúa es el que mete suelo. Todo lo demás (cuántos agentes, qué orquestador, qué stack) es configuración.
La puerta entre producción y evaluación no se configura. Se decide.
¿Qué partes de tu trabajo siguen produciendo y aprobando en la misma sesión?
I've spent a month testing multi-agent setups. Most of them changed nothing. I didn't expect that.
90% of the multi-agent content I see is selling the same thing: complexity. Four agents, six agents, orchestrators, routing logic. Diagrams that look like investment-bank org charts.
Most of it is decoration.
The only separation that changes your output is old and boring. The one who produces cannot be the one who approves. One agent writes. Another measures it against a fixed rubric. And that second one never writes. It only approves or returns with concrete instructions.
It's what journalism has been doing for a century and a half with the editor. What code learned with the code review. What any serious audit requires by default. Separation of duties. Nothing new.
Anthropic published a whole piece of research a few months ago on how they built their multi-agent system. The technical conclusion is interesting. The structural one is simpler: the evaluating agent is the one that sets the floor. Everything else (how many agents, which orchestrator, which stack) is configuration.
The gate between production and evaluation isn't configured. It's decided.
What parts of your work are still producing and approving in the same session?
\#AI #FutureOfWork #Joblanders
Karpathy ha descrito esta semana cómo será una entrevista técnica en 2026. No es una pregunta de pizarra. No es un par-programming en Zoom.
El candidato construye un Twitter clone con Claude Code, lo hace seguro, lo despliega con agentes operando dentro. El entrevistador lanza agentes en paralelo intentando romperlo. Producción y defensa al mismo tiempo.
El examen cambió.
Ya no se evalúa si sabes escribir un binary search. Se evalúa si sabes orquestar a una persona, varios agentes, y mantener el sistema en pie mientras te atacan. El loop antes era "candidato vs problema". Ahora es "candidato y sus agentes vs entrevistador y los suyos".
Es el segundo guiño de la semana al mismo cambio. Ayer Lemieux describía el onboarding como filesystem montado por agentes. Hoy Karpathy describe la entrevista como sandbox defendido por agentes.
Lo que se mide ya no es la fluidez técnica del candidato. Es su capacidad de coordinar máquinas.
El junior que aprende a rodearse de agentes entra a ese examen con ventaja. El senior que sigue creyendo que su valor es codear, no.
¿Tu próxima contratación junior pasaría esa prueba?
Karpathy described this week what a technical interview will look like in 2026. It is not a whiteboard question. It is not pair programming over Zoom.
The candidate builds a Twitter clone with Claude Code, makes it secure, and ships it with agents operating inside. The interviewer launches agents in parallel trying to break it. Production and defence at the same time.
The exam changed.
You are no longer assessed on whether you can write a binary search. You are assessed on whether you can orchestrate one person and several agents, and keep the system standing while you are under attack. The loop used to be "candidate against problem". Now it is "candidate and their agents against interviewer and theirs".
It is the second nod of the week to the same shift. Yesterday Lemieux described onboarding as a filesystem mounted by agents. Today Karpathy describes the interview as a sandbox defended by agents.
What gets measured is no longer the candidate's technical fluency. It is their ability to coordinate machines.
The junior who learns to surround themselves with agents walks into that exam with an advantage. The senior who still believes their value is writing code does not.
Would your next junior hire pass that test?
Llevamos décadas llamándolo "onboarding" porque venía de subir a un barco. Tablones, cubierta, capitán, la tripulación que ya estaba.
Era la metáfora honesta. Aprender un sitio era aprender a moverte por él durante meses, preguntando a la gente que llevaba años. Seis meses para entender por qué se decidió lo que se decidió. Un año para tener opinión.
Esta semana, Jean-Michel Lemieux cambió la palabra.
El ex-CTO de Shopify cuenta que su tercer día en una empresa nueva ya le parece un año. Un agente le montó el entorno, los repos, las conversaciones de Slack que necesitaba leer antes de tocar producción. Cuando preguntó por qué se había tomado una decisión hace meses, el agente le devolvió el hilo exacto, las personas, los PRs. Mounting, no onboarding. Como montar un filesystem.
Lo que cambia no es la palabra. Es quién paga el coste del contexto. Antes lo pagaba el empleado en tiempo y la empresa en salario. Ahora lo paga la empresa una vez, cuando monta su memoria.
El junior sin años en la casa deja de estar en desventaja por no haber estado allí. El agente sí estuvo.
¿Cuántos meses de tu primer empleado se iban en aprender cosas que un agente ya podría montarle el primer día?
We have called it "onboarding" for decades because it came from boarding a ship. Gangplanks, deck, captain, the crew that was already there.
It was the honest metaphor. Learning a place meant learning to move around it for months, asking the people who had been there for years. Six months to understand why the decisions were made. A year to have an opinion.
This week, Jean-Michel Lemieux changed the word.
Shopify's former CTO says that his third day at a new company already feels like a year. An agent set up his environment, the repos, the Slack conversations he needed to read before touching production. When he asked why a decision had been taken months earlier, the agent handed back the exact thread, the people, the PRs. Mounting, not onboarding. Like mounting a filesystem.
What changes is not the word. It is who pays the cost of context. Before, the employee paid it in time and the company paid it in salary. Now the company pays it once, when it mounts its memory.
The junior with no years in the house stops being at a disadvantage for not having been there. The agent was.
How many months of your first employee went into learning things an agent could already mount for them on day one?
El texto publicado de esta pieza no está en el archivo. La carpeta de Drive solo tiene el banner, así que aquí no se inventa nada.
El texto publicado de esta pieza no está en el archivo. La carpeta de Drive solo tiene el banner, así que aquí no se inventa nada.
En 1865 William Stanley Jevons descubrió algo que se nos sigue olvidando con la IA. Cuando el coste de un input cae, ese input se consume más, no menos.
Jevons miraba el carbón. La máquina de vapor de Watt era más eficiente. La lectura razonable era que Inglaterra consumiría menos carbón. Pasó lo contrario: el consumo se multiplicó por diez en cien años porque la eficiencia abrió aplicaciones que antes no existían. Ferrocarriles, fundición industrial, barcos transatlánticos.
La eficiencia no reduce demanda. Migra el cuello de botella.
Lo estamos viviendo otra vez con el conocimiento. El coste de consultar se desploma. Una junior en Madrid resuelve en una tarde lo que hace tres años pedía una semana de un consultor con diez años de oficio. La lectura razonable es que sobran los expertos. Es la misma lectura que Jevons demostró que era falsa.
Cuando consultar es barato, el cuello de botella se mueve. De acceso a síntesis. De saber a interpretar. De ejecutar a elegir.
El cuello nuevo es la pregunta. No la respuesta. Saber qué merece pensarse cuando todo lo demás es gratis es lo único que la IA aún no abarata.
Ahora que el peso está en saber qué preguntar, ¿cómo has cambiado tu día a día?
In 1865, William Stanley Jevons discovered something we keep forgetting with AI. When the cost of an input falls, that input gets consumed more, not less.
Jevons was looking at coal. Watt's steam engine was more efficient. The reasonable read was that Britain would consume less coal. The opposite happened: consumption multiplied tenfold in a century because efficiency opened up applications that hadn't existed before. Railways, industrial smelting, ocean shipping.
Efficiency doesn't reduce demand. It migrates the bottleneck.
We're living it again with knowledge. The cost of consulting is collapsing. A junior in Madrid solves in an afternoon what three years ago required a week from a consultant with ten years of experience. The reasonable read is that experts are redundant. It's the same read Jevons proved wrong.
When consulting gets cheap, the bottleneck moves. From access to synthesis. From knowing to interpreting. From executing to choosing.
The new bottleneck is the question. Not the answer. Knowing what's worth thinking about when everything else is free is the one thing AI hasn't cheapened.
Now that the weight is on knowing what to ask, how has your day-to-day changed?
\#AI #FutureOfWork #Joblanders
El Forward Deployed Engineer existe desde 2008 en Palantir.
¿Cómo nació? te lo cuento...
No es un comercial, no es un consultor, no es un implementador.
Es un ingeniero que vuela a la oficina del cliente, se sienta con su equipo, entiende sus datos, y construye encima del producto lo que haga falta.
Palantir lo inventó porque la CIA no podía comprar un SaaS. Los datos no salían del edificio, los flujos eran propios, y el cliente no iba a aprenderse otra interfaz. La única forma de vender era enviar a alguien lo bastante listo para codificar y lo bastante sensato para sentarse en una sala llena de generales y saber qué no preguntar.
Durante años fue una rareza de Palantir.
Hoy lo copia todo el mundo. La razón es que el código se ha vuelto barato. Generar funciones, integrar APIs, montar dashboards: trabajo de tarde, no de trimestre.
Lo escaso es la persona que se sienta con el cliente, descubre qué problema hay que resolver, y solo entonces decide qué se construye.
El producto siempre fue el ingeniero. Ahora es más obvio que nunca.
¿Quién en tu empresa hace de FDE sin saberlo?
The Forward Deployed Engineer has existed at Palantir since 2008.
How did it start? Let me tell you...
Not a sales rep, not a consultant, not an implementer.
An engineer who flies to the customer's office, sits with their team, learns their data, and builds whatever's needed on top of the product.
Palantir invented it because the CIA couldn't buy a SaaS. The data didn't leave the building, the workflows were idiosyncratic, the customer wasn't going to learn another interface. The only way to sell was to send someone smart enough to code and sensible enough to sit in a room of generals and know what not to ask.
For years it was a Palantir oddity.
Today everyone is copying it. The reason is that code has become cheap. Generating functions, integrating APIs, building dashboards: an afternoon's work, not a quarter's.
The scarce thing is the person who sits with the customer, figures out what problem to solve, and only then decides what to build.
The product was always the engineer. Now it's more obvious than ever.
Who in your company is doing FDE work without knowing it?
\#AI #FutureOfWork #Joblanders
La verdad es que los archivos markdown me dieron pereza de leer desde el principio.
Le pedía a Manus antes, y ahora a Claude, que me lo hiciera en HTML.
Resulta que no era una manía mía.
Esta semana Thariq Shihipar, del equipo de Claude Code, ha publicado un texto donde explica que ha dejado de pedir outputs en markdown. Pide HTML. Tablas reales, SVG, diagramas, sliders para tocar parámetros, botones para copiar el resultado de vuelta al prompt. Lo llama the unreasonable effectiveness of HTML.
Los specs de Claude ya no caben en cien líneas de markdown. Y nadie en la empresa los va a leer si llegan así.
El argumento estructural es más interesante que el técnico. El formato del output siempre fue una pista sobre quién iba a consumirlo. Markdown era para el developer iterando solo. HTML es para todo el equipo, el cliente, el directivo que lo abre desde el móvil.
¿Cómo te comunicas tú con la IA? ¿Y cómo crees que va a evolucionar?
The truth is that markdown files have felt like a chore to read from the very start.
I used to ask Manus, and now I ask Claude, to give it to me in HTML instead.
Turns out it was not just a quirk of mine.
This week Thariq Shihipar, from the Claude Code team, published a piece where he explains that he stopped asking for markdown outputs. He asks for HTML. Real tables, SVG, diagrams, sliders to move parameters, buttons to copy the result back into the prompt. He calls it the unreasonable effectiveness of HTML.
Claude's specs no longer fit in a hundred lines of markdown. And nobody in the company is going to read them if they arrive that way.
The structural argument is more interesting than the technical one. The format of the output was always a clue about who was going to consume it. Markdown was for the developer iterating alone. HTML is for the whole team, the client, the executive who opens it on a phone.
How do you communicate with AI? And how do you think that is going to change?
Andrej Karpathy lo dijo claro: el cuello de botella ya no es el modelo. Eres tú.
Mientras sigues prompting paso a paso, esperando la respuesta, y volviendo a promptear, estás limitando el output a la velocidad de tu atención. La máquina podría ir mucho más rápido. Tú no la dejas.
El nuevo juego no es promptear mejor.
Es diseñar sistemas que funcionen sin que estés. Karpathy lo llama "maximizar token throughput": pocos tokens tuyos, de vez en cuando, y una cantidad enorme de trabajo ocurriendo en tu ausencia.
Hay una resistencia emocional a esto. Durante décadas, ser indispensable era la prueba de que importabas. Si nada salía sin tu aprobación, eras valioso. Ahora esa lógica se invierte: si nada ocurre sin ti, eres el bug.
En Joblanders estamos empezando a ver esto en los perfiles que buscamos. No el que hace más, sino el que diseña mejor los sistemas que trabajan cuando él no está.
¿Qué porcentaje de tu output de esta semana ocurrió sin que tú estuvieras mirando?
Andrej Karpathy put it plainly: the bottleneck is no longer the model. It is you.
While you keep prompting step by step, waiting for the response, then prompting again, you are capping your output at the speed of your attention. The machine could go much faster. You are the one holding it back.
The new game is not prompting better.
It is designing systems that run without you. Karpathy calls it maximising token throughput: few tokens from you, infrequently, and a large volume of work happening in your absence.
There is an emotional resistance to this. For decades, being indispensable was the proof that you mattered. If nothing left without your approval, you were valuable. Now that logic inverts: if nothing happens without you, you are the bug.
At Joblanders we are starting to see this in the profiles we look for. Not the one who does the most, but the one who best designs the systems that work when they are not there.
What percentage of your output this week happened without you watching?
Cuando todo cambia tan rápido como ahora. ¿Qué pasa con la experiencia que habías adquirido todo este tiempo?
Normalmente es trasladable, pero hoy ha cambiado algo...
La IA va tan rápido que o aplicas esa experiencia en dominar las herramientas que van saliendo y a ponerte al día cada segundo, o la experiencia deja de tener relevancia.
Jaya Gupta, de Foundation Capital, lo argumenta con claridad: la experiencia no es el moat que creíamos. Para una clase creciente de decisiones, es el bagaje.
La IA está modificando los algoritmos mentales que durante décadas favorecieron al senior.
El más visible es el de retención. El abogado senior que gana la sala porque recuerda el caso correcto. La IA comprime esa ventaja en segundos. La habilidad escasa ya no es el recuerdo: es la estructura. Saber qué externalizar, qué retener, qué analogía encaja. Eso no es función de los años.
En Joblanders lo vemos en los procesos de selección. Los criterios para medir juicio y madurez llevan décadas calibrados para un mundo donde la experiencia era inseparable de la capacidad.
La pregunta, ahora, es qué parte sigue siendo válida. ¿En tu empresa decide más el que sabe más de la industria o el que se ha adaptado más rápido a la IA?
When everything changes as fast as it is right now. What happens to the experience you have spent years building?
Usually it transfers. But something has shifted.
AI is moving fast enough that either you apply that experience to mastering the tools coming out and staying current every day, or the experience stops being relevant.
Jaya Gupta at Foundation Capital makes the argument clearly: experience is no longer the moat we assumed. For a growing class of decisions, it is the baggage.
AI is reshaping the mental algorithms that favoured seniority for decades.
The clearest one is retrieval. The senior lawyer who wins the room because they remember the right case. AI compresses that edge to seconds. The scarce skill is no longer memory: it is structure. Knowing what to externalise, what to keep close, which analogy actually fits. That is not a function of years.
At Joblanders we see it in hiring. The criteria used to measure judgement and maturity have been calibrated for decades to a world where experience and capability were inseparable.
The question now is how much of that calibration still holds. Is the person who knows your industry best still making the decisions, or is the one who has adapted fastest to AI?
En Joblanders estamos viendo en directo el renacer del rol del junior.
El graduado que sabe de IA y que viene sin el bagaje de como se trabajaba "antes" entra al mercado más rápido que nunca.
El mid-level que se ganaba la vida de reunión a reunión, resumiendo PDFs y pasando información de un lado a otro, está atrapado entre dos olas: el junior que ya hace eso con un prompt, y el senior cuya experiencia y conexiones le permiten ejecutar aún mejor con la IA.
Pompliano lo argumenta con datos: en USA las contrataciones de recién graduados están subiendo otra vez, el paro está bajando, y la IA ha creado 640.000 empleos directamente en los dos últimos años.
Y aunque la IA sigue creando más de lo que destruye, hay sectores mucho más afectados que otros.
Pero lo importante es que está empoderando a una nueva generación de talento joven que entra al mercado laboral con mucha fuerza.
¿En tu sector estás viendo el mismo renacer?
At Joblanders we are watching the rebirth of the junior role live.
The grad who understands AI and comes without the baggage of how things used to be done enters the market faster than ever.
The mid-level who used to make a living going from meeting to meeting, summarising PDFs and passing information from one place to another, is stuck between two waves: the junior who already does that with a prompt, and the senior whose experience and network let them execute even better with AI.
Pompliano argues it with data: in the US, graduate hiring is rising again, unemployment is falling, and AI has directly created 640,000 jobs in the last two years.
And while AI keeps creating more than it destroys, some sectors are being hit much harder than others.
But what matters is that it is empowering a new generation of young talent entering the labour market with real momentum.
Are you seeing the same rebirth in your sector?
El texto publicado de esta pieza no está en el archivo. La carpeta de Drive solo tiene el banner, así que aquí no se inventa nada.
El texto publicado de esta pieza no está en el archivo. La carpeta de Drive solo tiene el banner, así que aquí no se inventa nada.
Durante veinte años, el consejo más repetido en Silicon Valley fue este: las ideas no valen nada. Lo que importa es la ejecución.
Era un consejo razonable. En un mundo donde construir algo costaba tiempo, equipo y dinero, la ventaja competitiva estaba en quién lo hacía mejor y más rápido. La idea era el punto de partida. La ejecución era la ventaja.
La IA acaba de cambiar esa ecuación.
Dylan Patel lo explica en Invest Like the Best: la ejecución se está convirtiendo en una commodity. Cualquier persona puede construir, lanzar, escribir, programar con IA. Lo que antes requería un equipo de diez ahora lo hace uno solo en una tarde. El coste de hacer se acerca a cero.
Lo que no se puede automatizar es saber qué hacer. Qué construir. Qué pregunta hacerse. Qué apuesta tomar. Esa es la parte del proceso que la IA, de momento, no resuelve sin el input humano.
La ventaja ha cambiado. Y la mayoría de las empresas siguen compitiendo donde ya no está.
Si la idea siempre fue la parte barata, ¿qué pasa cuando la ejecución también lo es?
For twenty years, the most repeated advice in Silicon Valley was this: ideas are worthless. What matters is execution.
It was reasonable advice. In a world where building something cost time, a team and money, the competitive edge sat with whoever did it best and fastest. The idea was the starting point. Execution was the advantage.
AI just changed that equation.
Dylan Patel explains it on Invest Like the Best: execution is becoming a commodity. Anyone can build, ship, write, code with AI. What used to take a team of ten now takes one person in an afternoon. The cost of doing is approaching zero.
What can't be automated is knowing what to do. What to build. Which question to ask. Which bet to take. That's the part of the process that AI, for now, doesn't solve without human input.
The advantage has moved. And most companies are still competing where it no longer is.
If the idea was always the cheap part, what happens when execution is too?
Antes de las fábricas, no podías separar una camisa del tejedor que la había hecho. Los conocías. Su habilidad y reputación estaban cosidas en el producto. Las transacciones económicas tenían un componente social.
La producción industrial rompió con eso. Marx lo llamó la mercancía: el valor del producto se desvincula de quien lo hace. Una mesa es una mesa. Un teléfono es un teléfono. La pantalla desde la que lees esto fue diseñada en un país, fabricada en otro, con piezas de diez más. Nada de eso importa para la experiencia.
Durante dos siglos, eso fue un motor de prosperidad sin precedentes. También fue una pérdida enorme que no apareció en ningún balance.
La mayoría asume que la IA es el punto final lógico de este proceso. Un producto sin ningún humano en él. El peor miedo de Marx, plenamente realizado.
Pero el economista Alex Imas argumenta lo contrario. Cuando las mercancías se vuelven trivialmente baratas, la gente empieza a pagar primas por exactamente lo que el proceso eliminó: la procedencia humana. El tejedor al que conoces. El terapeuta que recuerda los nombres de tus hijos.
Su investigación lo confirma: el arte generado por IA gana menos de la mitad de la prima de exclusividad del arte hecho por humanos. En el momento en que la IA aparece, la cosa se siente reproducible. El valor se evapora.
La IA puede completar el proyecto de Marx y desencadenar su declive al mismo tiempo.
¿La vuelta del humano detrás del producto es un cambio estructural real, o seguirá siendo un nicho de lujo?
Before factories, you couldn't separate a shirt from the weaver who made it. You knew them. Their skill and reputation were stitched into the product. Economic transactions had a social component.
Industrial production broke that. Marx called it the commodity: the value of the product is detached from whoever makes it. A table is a table. A phone is a phone. The screen you're reading this on was designed in one country, manufactured in another, using parts from ten more. None of that matters for the experience.
For two centuries, that was an engine of unprecedented prosperity. It was also an enormous loss that never appeared on any balance sheet.
Most people assume AI is the logical endpoint of this process. A product with no human in it at all. Marx's worst fear, fully realised.
But economist Alex Imas argues the opposite. When commodities become trivially cheap, people start paying premiums for exactly what the process eliminated: human provenance. The weaver you know. The therapist who remembers your children's names.
His research confirms it: AI-generated art earns less than half the exclusivity premium of human-made art. The moment AI appears, the thing feels reproducible. Value evaporates.
AI may complete Marx's project and trigger its decline at the same time.
Is the return of the human behind the product a real structural shift, or will it stay a luxury niche?
Mercadona tiene una frase que explica su naturaleza como empresa: el jefe es el cliente.
No es marketing. Es una decisión filosófica que define quién contratan, cómo forman a sus empleados, qué métricas importan y cómo se toman decisiones a todos los niveles. Es su naturaleza. Su ontología.
Apple tiene la suya: la simplicidad es sofisticación. Airbnb la tiene: pertenencia. Cada empresa que perdura tiene una naturaleza propia, un conjunto de creencias que va desde la visión hasta los rituales del día a día.
El problema es que la mayoría de las empresas no la tienen articulada. La viven sin saber nombrarla. Y cuando llega un nuevo empleado, una nueva herramienta o una crisis, esa naturaleza no escrita es lo primero que se pierde en la traducción.
Este trabajo siempre ha valido la pena. Pero ahora tiene un multiplicador que antes no existía.
La IA va a escalar lo que le des. Si estructuras tu empresa para que sea IA-nativa y le das una empresa con una identidad clara, quién eres, por qué existes, cómo piensas, cómo operas, la va a propagar por toda la organización. Si le das confusión, va a escalar la confusión.
Nunca ha habido mejor momento para hacer el trabajo de encontrar tu naturaleza. No porque la IA lo vaya a hacer por ti. Sino porque, una vez que lo tienes claro, el retorno es mayor que nunca.
Mercadona has a phrase that explains its nature as a company: the boss is the customer.
Not marketing. It is a philosophical decision that defines who they hire, how they train their employees, which metrics matter and how decisions are made at every level. It is their nature. Their ontology.
Apple has theirs: simplicity is sophistication. Airbnb has theirs: belonging. Every company that endures has a nature of its own, a set of beliefs that runs from the vision down to the daily rituals.
The problem is that most companies have not articulated it. They live it without knowing how to name it. And when a new employee arrives, a new tool or a crisis, that unwritten nature is the first thing lost in translation.
This work has always been worth doing. But now it has a multiplier that did not exist before.
AI will scale whatever you give it. If you structure your company to be AI-native and give it a company with a clear identity, who you are, why you exist, how you think, how you operate, it will propagate that throughout the whole organisation. If you give it confusion, it will scale the confusion.
There has never been a better moment to do the work of finding your nature. Not because AI will do it for you. But because, once you have it clear, the return is greater than ever.
Starbucks tiene todas las herramientas que necesita para automatizar del todo la preparación del café. Durante años fue exactamente lo que persiguió: menos baristas, más máquinas, procesos más apretados.
El año pasado dio marcha atrás.
La explicación de su consejero delegado, Brian Niccol: las notas escritas a mano en los vasos, las tazas de cerámica y "la vuelta de los buenos asientos" subieron la satisfacción. Están contratando más baristas. Están retirando la automatización.
El economista Alex Imas usa este caso para abrir un ensayo muy afilado sobre lo que la IA avanzada le hace de verdad al empleo. Y su respuesta contradice el relato estándar de que la IA va a sustituir a todo el mundo.
Su argumento, comprimido:
Cuando la tecnología abarata un sector, la economía no se encoge. Se reasigna. La agricultura pasó del 40% de los trabajadores en Estados Unidos al 2%, no porque dejásemos de comer, sino porque el gasto se movió a los sectores con más elasticidad de renta.
La IA le hará lo mismo a la producción de bienes genéricos. Lo que crece en su lugar es lo que Imas llama el sector relacional: el trabajo donde la parte humana ES el valor. Profesores. Enfermeras. Hostelería. Artesanos. Terapeutas. Diseñadores de experiencias.
Su investigación encontró algo llamativo: el arte generado con IA consigue menos de la mitad de la "prima de exclusividad" que consigue el arte hecho por personas. En el momento en que la gente sabe que hubo IA de por medio, la cosa parece reproducible por naturaleza, y pierde valor.
Los empleos duraderos del futuro no son los de ingeniero de prompts. Son los de las personas cuya presencia hace que un producto parezca hecho para alguien, por alguien.
No hace falta ser Picasso. Solo hace falta ser humano.
¿Cuál es un trabajo de tu sector que gana valor, no lo pierde, a medida que la IA se queda con la parte genérica?
Starbucks has every tool it needs to fully automate coffee-making. For years, that's exactly what it pursued, fewer baristas, more machines, tighter processes.
Last year, they reversed course.
CEO Brian Niccol's explanation: handwritten notes on cups, ceramic mugs, and "the return of great seats" drove satisfaction. More baristas are being hired. Automation is being rolled back.
Economist Alex Imas uses this as the opening of a sharp essay on what advanced AI actually does to jobs, and his answer pushes back on the standard "AI will replace everyone" narrative.
His argument, compressed:
When technology makes one sector cheap, the economy doesn't shrink, it reallocates. Agriculture went from 40% of US workers to 2% not because we stopped eating, but because spending shifted to sectors with higher income elasticity.
AI will do the same to commodity production. What grows in its place is what Imas calls the relational sector, work where the human element IS the value. Teachers. Nurses. Hospitality. Craftsmen. Therapists. Experience designers.
His research found something striking: AI-generated art gets less than half the "exclusivity premium" of human-made art. The moment people know AI was involved, the thing feels inherently reproducible, and loses its value.
The durable jobs of the future aren't prompt engineers. They're the people whose presence makes a product feel made for someone, by someone.
You don't need to be Picasso. You just need to be human.
What's a job in your industry that gets more valuable, not less, as AI takes over the commodity work?