La IA hizo que la ejecución sea gratis. La habilidad que importó durante veinte años, escribir el código, hacer pasar los tests, hoy está al precio de un prompt. Lo que queda es lo que la IA no puede … See more

La IA hizo que la ejecución sea gratis. La habilidad que importó durante veinte años, escribir el código, hacer pasar los tests, hoy está al precio de un prompt. Lo que queda es lo que la IA no puede hacer por vos: decidir qué vale la pena construir, cuestionar el encuadre que te dieron, notar el supuesto que todos dejaron pasar. Esa es la habilidad que los developers necesitan ahora, y nuestros procesos de contratación nunca fueron diseñados para verla. Las entrevistas tradicionales califican la respuesta. Eso funcionaba cuando una buena respuesta era difícil de producir. Ya no, ahora que un modelo puede generar una respuesta plausible aunque el candidato no haya entendido el problema. Si queremos contratar por criterio, hay que mirar cómo alguien llega a la respuesta, no solo si llega. Hace meses corremos un ejercicio de entrevista sobre esa idea: un candidato, un codebase desconocido sembrado con bugs reales, y un asistente de IA que responde exactamente lo que se le pregunta y no ofrece nada más. Si no preguntás, no te enterás. Vamos a recorrer sesiones reales donde una sola pregunta reencuadró la investigación entera, qué separa a un senior de un junior con el mismo asistente y el mismo bug, y qué aprendimos al intentar puntuar la indagación, incluido por qué el modelo no le pone nota a nadie. La diferencia que medimos no es qué tan bien alguien promptea. Es qué se le ocurre preguntar, y cuándo nota que algo anda mal antes de que se lo digan. Sobre Diego Falciola: Diego lleva 20 años construyendo software enterprise: bases de datos, frameworks, APIs y aplicaciones web desde cero, con foco en Python, FastAPI y Django. Hoy trabaja en AgilityIO en infraestructura de datos, arquitectura en AWS y orquestación de agentes de IA, incluyendo modelos corriendo localmente sin APIs externas. Su obsesión declarada es convertir el "funciona en mi máquina" en "funciona en producción", y armar los cimientos de datos antes de prometer IA. Sobre Ian Scaltritti: ~10 años trabajando en la industria del desarrollo de software en calidad de loquehagafalta-dor. Show less

La IA hizo que la ejecución sea gratis. La habilidad que importó durante veinte años, escribir el código, hacer pasar los tests, hoy está al precio de un prompt. Lo que queda es lo que la IA no puede … See more

La IA hizo que la ejecución sea gratis. La habilidad que importó durante veinte años, escribir el código, hacer pasar los tests, hoy está al precio de un prompt. Lo que queda es lo que la IA no puede hacer por vos: decidir qué vale la pena construir, cuestionar el encuadre que te dieron, notar el supuesto que todos dejaron pasar. Esa es la habilidad que los developers necesitan ahora, y nuestros procesos de contratación nunca fueron diseñados para verla. Las entrevistas tradicionales califican la respuesta. Eso funcionaba cuando una buena respuesta era difícil de producir. Ya no, ahora que un modelo puede generar una respuesta plausible aunque el candidato no haya entendido el problema. Si queremos contratar por criterio, hay que mirar cómo alguien llega a la respuesta, no solo si llega. Hace meses corremos un ejercicio de entrevista sobre esa idea: un candidato, un codebase desconocido sembrado con bugs reales, y un asistente de IA que responde exactamente lo que se le pregunta y no ofrece nada más. Si no preguntás, no te enterás. Vamos a recorrer sesiones reales donde una sola pregunta reencuadró la investigación entera, qué separa a un senior de un junior con el mismo asistente y el mismo bug, y qué aprendimos al intentar puntuar la indagación, incluido por qué el modelo no le pone nota a nadie. La diferencia que medimos no es qué tan bien alguien promptea. Es qué se le ocurre preguntar, y cuándo nota que algo anda mal antes de que se lo digan. Sobre Diego Falciola: Diego lleva 20 años construyendo software enterprise: bases de datos, frameworks, APIs y aplicaciones web desde cero, con foco en Python, FastAPI y Django. Hoy trabaja en AgilityIO en infraestructura de datos, arquitectura en AWS y orquestación de agentes de IA, incluyendo modelos corriendo localmente sin APIs externas. Su obsesión declarada es convertir el "funciona en mi máquina" en "funciona en producción", y armar los cimientos de datos antes de prometer IA. Sobre Ian Scaltritti: ~10 años trabajando en la industria del desarrollo de software en calidad de loquehagafalta-dor. Show less