Blog profile.es

Durante los últimos meses hemos visto una tendencia cada vez más frecuente en equipos de desarrollo: combinar Spec Driven Development (SDD) con agentes de IA con la expectativa de obtener implementaciones prácticamente automáticas. La teoría resulta atractiva. Si definimos correctamente los requisitos, los flujos, los contratos y las reglas de negocio, el agente solo debería encargarse de traducir esa especificación a código.

Escribir código que funcione es fácil, hacer que un sistema mantenga latencias de pocos milisegundos cuando el tráfico se multiplica por mil es donde aparece la verdadera ingeniería. En cualquier arquitectura distribuida (microservicios) o monolito moderno, la base de datos suele ser el primer cuello de botella.

MLOps se ha convertido en uno de los términos más buscados dentro del ámbito de la inteligencia artificial y el Machine Learning. Y no es casualidad. A medida que las organizaciones empiezan a integrar modelos predictivos en procesos críticos como scoring financiero, detección de fraude, sistemas de recomendación o previsión de demanda, surge una pregunta, ¿Cómo gestionamos estos modelos de forma estable, segura y escalable?

Qué vas as ver en esta entrada Toggle Power Automate es la solución de automatización de procesos empresariales de Microsoft, integrada dentro de la suite Microsoft Power Platform junto a Power Apps, Power BI y Copilot Studio. Permite crear flujos de trabajo automatizados que conectan aplicaciones, datos y personas para que los procesos fluyan de forma autónoma, sin intervención manual constante.

Si hay algo que hemos vivido de forma muy clara en Profile en los últimos meses es que el cambio en la analítica web no es una tendencia futura si no una realidad que ya está afectando directamente en cómo trabajamos. Por un lado, hemos visto cómo la aceptación de cookies ha ido bajando progresivamente, lo que ha reducido nuestra capacidad de medir sesiones, usuarios y comportamiento con el nivel de detalle al que estábamos acostumbrados.

Antes de profundizar sobre el punto clave de este post, me gustaría aclarar cómo funciona el mundo de servicios web de una manera muy resumida. Una forma sencilla de explicarlo es pensar en una aplicación web como una conversación entre tres actores: Cliente (navegador) → donde el usuario interactúa. Servidor → donde vive la lógica de negocio y los datos. Base de datos o servicios externos → donde está la información.

Si trabajas en el desarrollo de arquitecturas distribuidas, seguramente te has enfrentado a este dilema. En 2026, la conversación ya no gira en torno a si debemos usar microservicios (esa batalla ya la libramos y aprendimos a ser prácticos); el verdadero reto actual es cómo optimizar la comunicación entre esos servicios para que el rendimiento no se degrade a medida que el sistema escala. Durante años, REST ha sido el estándar absoluto. Es sencillo, universal y funciona.

Cada semana que pasa tenemos un nuevo término en el mundo de desarrollo con IA que entender e intentar aprender. Pero hay uno que ya lleva un tiempo dando vueltas: Vibe Coding. Por lo que voy viendo en el día a día (sostenido por una alta cantidad de memes al respecto), cada persona con la que hablo ve el vibe coding de una forma diferente. Para algunos es una gran oportunidad, para otros es el propio demonio. Aquí no vamos a hablar de si es «bueno» o es «malo», blanco o negro.

Hoy volvemos a traer un nuevo post sobre Inteligencia Artificial. Si en este post que subimos hace unos días buscábamos presentar las características principales de cada modelo y su implementación, el enfoque de hoy es distinto. El propósito de este post no es el de hacer listas interminables de características, sino ver el valor práctico real en proyectos concretos. Vamos a pedirle a cada modelo que desarrolle una aplicación en las áreas donde estos modelos son fuertes.

En los últimos años han aparecido cientos de modelos de lenguaje capaces de razonar, generar código, analizar documentos, planificar tareas y un largo etcétera. Sin embargo, para mí el gran avance se encuentra en dotar a todos ellos de la posibilidad de actuar. Un modelo puede pensar qué consulta lanzar contra una base de datos, pero si no puede ejecutarla, se queda en un simple pensamiento. Para solucionar esto, surgió Model Context Protocol.