Durante los últimos meses hemos convertido la expresión gobernar la IA en una etiqueta demasiado cómoda.
Llamamos gobierno a poner un proxy delante del modelo. Llamamos gobierno a tener un dashboard de tokens. Llamamos gobierno a que el equipo de plataforma sea el único que conoce la clave.
El problema no es únicamente terminológico.
Lo que miles de años de sociedades, gobiernos, transiciones, ciencia política y filosofía pueden enseñarnos sobre cómo gobernar agentes autónomos.
GitHub Copilot CLI, OpenAI Codex CLI y Claude Code, con GPT-6 Astra y Claude Opus 5.5. Más allá de la demo: detección de defectos, fiabilidad, QA, QC y el coste de seguir midiendo.
REA, agentes e ingeniería inversa: qué demuestran las demos, qué exige la ingeniería y qué significa de verdad cuando aterrizamos en un VB6 sin fuentes.
Después de cuatro días como MVP y moderador en Microsoft Frontier Transformation Week, comparto las inquietudes que más me hicieron reflexionar: pasar de pilotos a resultados, preparar a las personas y escalar la IA con confianza. Una mirada práctica a la madurez, el liderazgo, la gobernanza y la identidad para convertir la expectativa en impacto real.
jmfloreszazo.com evoluciona hacia una nueva etapa: más arquitectura, Agentic AI y modernización, sin abandonar el código. Un rediseño más limpio para compartir cómo convierto preguntas en arquitecturas, arquitecturas en sistemas y evidencia en decisiones capaces de generar impacto real.
Un agente custom de Copilot en VS Code es, al final, un fichero markdown que cualquiera puede editar. La pregunta aburrida —¿qué prompt se ejecutó de verdad, el de git o el que alguien tenía sin commitear?— es la que decide si gobiernas tus agentes o solo confías en que nadie los toque. Este repo captura la telemetría completa vía OpenTelemetry, la manda a Jaeger, y sobre esos traces detecta el drift: el trace sabe qué se ejecutó, git sabe qué debería haberse ejecutado, y la resta es la auditoría. Con una advertencia honesta al final: esto te da visibilidad forense, no prevención.
Agent Harness y CodeAct resuelven problemas distintos, pero complementarios. El primero gobierna la planificación, el estado, las herramientas y las aprobaciones; el segundo permite ejecutar de forma compacta tareas intensivas en datos y llamadas a herramientas. En este artículo construimos una demo con C#, .NET 10, Microsoft Foundry y Bicep.
El protocolo de agentes del que nadie habla: AHP no conecta herramientas (eso es MCP) ni delega entre agentes (eso es A2A), sino que decide quién es el dueño de la sesión. El host tiene el estado, los clientes son vistas — y aquí lo compilo en ~300 líneas para que lo veas funcionar.
El mismo agente, la misma región, la misma cuota, el mismo Key Vault, el mismo sobre de recursos del contenedor — y una única variable de verdad: el runtime. Uno es C# 14 sobre .NET 10 LTS, el otro es CPython 3.12. Todo lo demás está clavado a propósito, porque un benchmark que cambia dos cosas a la vez no mide nada. Este mide una: el coste del lenguaje/runtime dentro del hosting de Foundry.
Y el resultado, adelantándolo sin ceremonia: C# sobre .NET 10 sale entre un 22% y un 30% más rápido en media, con esa ventaja sostenida a las 10, 100 y 1000 peticiones, tanto con modelo como sin él. Ahora el «cómo lo he medido», que es donde un benchmark se gana o se pierde la credibilidad.