Latest ES articles from the Provenance Manifesto blog. https://provenancemanifesto.org/es/blog es Wed, 20 May 2026 00:00:00 GMT Los agentes de IA requieren enfoques de prueba fundamentalmente diferentes al software tradicional. A diferencia de los sistemas deterministas, los agentes pueden producir múltiples resultados válidos para la misma entrada. Las pruebas deben pasar de validar solo la salida a examinar todo el proceso de razonamiento, incluida la disciplina de evidencia, la reutilización de memoria, los límites de gobernanza y la trazabilidad de decisiones, para garantizar que las decisiones sigan siendo confiables incluso cuando el razonamiento se automatiza parcialmente. https://provenancemanifesto.org/es/blog/testing-ai-agents-is-not-testing-software https://provenancemanifesto.org/es/blog/testing-ai-agents-is-not-testing-software Wed, 20 May 2026 00:00:00 GMT Delivery Provenance Workspace puede convertir decisiones de delivery dispersas en memoria de gestión reutilizable al capturar evidencia, justificación, riesgos y estado de validación en un Asistente de Provenance de Decisiones. https://provenancemanifesto.org/es/blog/delivery-provenance-workspace https://provenancemanifesto.org/es/blog/delivery-provenance-workspace Wed, 13 May 2026 00:00:00 GMT Las fábricas de software sin criterio preservado no son ingeniería senior a escala. Son ingeniería junior a escala. Ingeniería junior rápida. https://provenancemanifesto.org/es/blog/we-are-building-ai-software-factories-without-teaching-them-judgment https://provenancemanifesto.org/es/blog/we-are-building-ai-software-factories-without-teaching-them-judgment Wed, 13 May 2026 00:00:00 GMT Una guía práctica para flujos de agentes de GitHub Copilot que explica la herencia agéntica mediante instrucciones en capas y compara patrones de orquestación secuenciales, paralelos y jerárquicos. https://provenancemanifesto.org/es/blog/agentic-flow-how-to-guide https://provenancemanifesto.org/es/blog/agentic-flow-how-to-guide Sun, 22 Mar 2026 00:00:00 GMT Este artículo muestra que la fluidez de la IA puede ocultar violaciones sutiles de límites y restricciones: las salidas parecen correctas, pero no son totalmente fiables. Para detectar y explicar esas desviaciones, necesitamos Provenance —memoria trazable de decisiones y contexto— y no solo validación del resultado. https://provenancemanifesto.org/es/blog/the-fluency-paradox-when-ai-sounds-right-but-stops-being-reliable https://provenancemanifesto.org/es/blog/the-fluency-paradox-when-ai-sounds-right-but-stops-being-reliable Sat, 21 Mar 2026 00:00:00 GMT Esta guía explica cómo automatizar un blog en Markdown en una canalización de publicación multilingüe usando GitHub Copilot Agents, donde un orquestador coordina subagentes por idioma, actualiza resúmenes de README, aplica hooks y skills como barreras de control, y produce resultados reproducibles y escalables. https://provenancemanifesto.org/es/blog/building-an-automated-translation-pipeline-for-a-markdown-blog-with-github-copilot https://provenancemanifesto.org/es/blog/building-an-automated-translation-pipeline-for-a-markdown-blog-with-github-copilot Fri, 20 Mar 2026 00:00:00 GMT Una reflexión sobre el ensayo de Jessica Talisman que argumenta que a medida que los modelos de lenguaje producen resultados más fluidos, disuelven la cadena de procedencia que hace confiable el conocimiento; el autor conecta esto con la procedencia de decisiones en la entrega de software, donde el razonamiento detrás de las decisiones desaparece, y propone que capturar la trazabilidad de decisiones de forma sistemática convierte la procedencia en infraestructura y en una nueva capacidad de gobernanza, auditabilidad y colaboración entre sistemas. https://provenancemanifesto.org/es/blog/where-provenance-ends-knowledge-decays-reflections https://provenancemanifesto.org/es/blog/where-provenance-ends-knowledge-decays-reflections Tue, 17 Mar 2026 00:00:00 GMT Los humanos resisten de forma natural compartir el razonamiento detrás de sus decisiones porque el contexto y la memoria históricamente han sido una fuente de influencia y ventaja profesional. Como resultado, muchas decisiones críticas permanecen sin documentar y viven solo en conversaciones o en la memoria individual. En la era aumentada por IA esto se convierte en un serio problema de gobernanza, porque los sistemas evolucionan más rápido y el razonamiento detrás de los cambios desaparece aún más rápido. Sin preservar el contexto de las decisiones, las organizaciones pierden la capacidad de explicar, auditar o evolucionar sus sistemas de forma segura. El cambio provocado por la IA convierte la procedencia de las decisiones de una preferencia cultural en un requisito estructural para la gobernanza organizacional. https://provenancemanifesto.org/es/blog/provenance-is-not-about-tools-it-is-about-mindset https://provenancemanifesto.org/es/blog/provenance-is-not-about-tools-it-is-about-mindset Sun, 15 Mar 2026 00:00:00 GMT Una vez que las decisiones se convierten en artefactos de primera clase, algo cambia fundamentalmente. Cuando el entorno evoluciona, ya no estamos obligados a redescubrir el razonamiento detrás del sistema mediante arqueología y especulación. En su lugar, podemos revisar la decisión original, actualizar las suposiciones que ya no son válidas y regenerar la implementación de una forma que refleje el nuevo contexto. https://provenancemanifesto.org/es/blog/why_decisions_must_become_a_first_class_artifact https://provenancemanifesto.org/es/blog/why_decisions_must_become_a_first_class_artifact Sat, 14 Mar 2026 00:00:00 GMT Imaginemos una “empresa nativa de Provenance” en 2030: una organización construida desde el principio alrededor del linaje de decisiones, la memoria del SDLC y la trazabilidad de la ejecución de IA, en lugar de intentar incorporarlo posteriormente. https://provenancemanifesto.org/es/blog/2030_a_provenance_native_company https://provenancemanifesto.org/es/blog/2030_a_provenance_native_company Fri, 13 Mar 2026 00:00:00 GMT Tras la publicación de la versión inicial del Provenance Manifesto, comencé a examinar si las soluciones existentes en el mercado realmente se alinean con los principios descritos en él. https://provenancemanifesto.org/es/blog/why-organizational-memory-is-not-just-an-ai-knowledge-system https://provenancemanifesto.org/es/blog/why-organizational-memory-is-not-just-an-ai-knowledge-system Wed, 11 Mar 2026 00:00:00 GMT El artículo explora un problema simple pero a menudo ignorado: las organizaciones de software rara vez preservan el razonamiento detrás de sus decisiones, aunque esas decisiones moldean todo lo que construyen. Argumenta que la recuperación mediante IA y la documentación por sí solas no pueden resolver este problema, porque lo que falta es un sistema estructurado que registre las relaciones entre decisiones, suposiciones y resultados. El Provenance Manifesto propone tratar las decisiones como artefactos de primera clase para que las organizaciones puedan preservar la intención, la responsabilidad y el linaje de decisiones mientras la IA acelera el desarrollo de software. https://provenancemanifesto.org/es/blog/the_day_the_provenance_manifesto_was_born https://provenancemanifesto.org/es/blog/the_day_the_provenance_manifesto_was_born Sun, 08 Mar 2026 00:00:00 GMT Mientras construía SDLC Memory, me encontré con un dilema arquitectónico inesperado. ¿Debería el sistema razonar como un agente autónomo, comportarse como un transformador de datos determinista, o situarse en algún punto intermedio? Aún estoy decidiendo qué dirección es la correcta para el MVP. https://provenancemanifesto.org/es/blog/git-for-decisions-needs-a-brain-but-what-kind https://provenancemanifesto.org/es/blog/git-for-decisions-needs-a-brain-but-what-kind Wed, 04 Mar 2026 00:00:00 GMT En “Part 1 - From RAG to Provenance: How We Realized Vector Alone Is Not Memory”, pasamos de RAG a Provenance, de la similitud al linaje. Pero si los agentes de IA generarán entre el 50 y el 80 % del trabajo futuro, la verdadera pregunta pasa a ser: ¿cómo se actualiza la memoria de forma segura? ¿Cómo se validan, enlazan y gobiernan las nuevas decisiones en lugar de simplemente incrustarlas? Este artículo muestra paso a paso el proceso incremental de actualización del grafo de memoria de decisiones con un ejemplo real. Porque en la era de la IA, la memoria debe evolucionar, no solo recuperar. https://provenancemanifesto.org/es/blog/from-rag-to-provenance-part-2-how-Incremental-graph-memory-actually-learns https://provenancemanifesto.org/es/blog/from-rag-to-provenance-part-2-how-Incremental-graph-memory-actually-learns Sat, 28 Feb 2026 00:00:00 GMT ¿Y si tu SDLC en realidad no recuerda nada y solo recupera fragmentos? Hemos construido potentes sistemas RAG capaces de mostrar texto “relevante” en milisegundos. Pero la relevancia no es causalidad. Cuando algo falla en producción, la similitud no te dirá por qué ocurrió ni qué decisión, riesgo o dependencia condujo a ese resultado. En este artículo explico por qué la búsqueda vectorial por sí sola no es memoria, cómo la estructura de grafos cambia el juego y cómo combinar vectores con un modelo estricto de provenance transforma documentación dispersa en algo más cercano a la cognición organizacional. Si te importan la explicabilidad, el linaje de decisiones y la inteligencia real de entrega, este artículo es para ti. https://provenancemanifesto.org/es/blog/from-rag-to-provenance-how-we-realized-vector-alone-is-not-memory https://provenancemanifesto.org/es/blog/from-rag-to-provenance-how-we-realized-vector-alone-is-not-memory Sun, 22 Feb 2026 00:00:00 GMT Capítulo siguiente: SDLC Memory & Provenance. En los capítulos anteriores exploramos por qué el SDLC no tiene memoria real y por qué la procedencia debe convertirse en algo estructural, no opcional. En este paso profundizamos en una pregunta más incómoda. ¿Y si el verdadero cuello de botella en la entrega no es la velocidad, las herramientas ni siquiera la capacidad de la IA… sino los límites biológicos del contexto humano? Los humanos pueden mantener activamente unas cuatro restricciones significativas a la vez. Los agentes modernos pueden procesar cientos de miles de tokens. Y aun así, ninguno puede recordar un producto vivo a lo largo del tiempo sin estructura. Este capítulo conecta ciencia cognitiva, ventanas de contexto de IA y una arquitectura práctica de memoria Hot/Warm/Cold para mostrar por qué una memoria duradera del SDLC no es sobrecarga documental, sino una ventaja competitiva. Si la ejecución se vuelve más barata, la memoria se convierte en el verdadero diferenciador. Hablemos de cómo construirla. https://provenancemanifesto.org/es/blog/why-humans-think-they-remember-everything-and-why-sdlc-memory-proves-they-dont https://provenancemanifesto.org/es/blog/why-humans-think-they-remember-everything-and-why-sdlc-memory-proves-they-dont Sun, 22 Feb 2026 00:00:00 GMT En los capítulos anteriores hablamos de SDLC Memory y Provenance como una forma de reducir el caos, proteger la integridad de la entrega y hacer que las decisiones sean trazables dentro de las organizaciones de ingeniería. Ahora quiero ampliar la perspectiva. Porque si la IA está cambiando cómo se construye el software, también está cambiando algo mucho más grande: cómo se valora el Capital Intelectual. Este artículo no es una desviación del debate sobre Provenance; es el siguiente paso lógico. Si la ejecución se vuelve abundante, entonces la memoria, la gobernanza y la arquitectura de decisiones se convierten en los verdaderos activos. Hablemos de qué ocurre con el Capital Intelectual cuando la IA reemplaza materialmente posiciones humanas y qué significa esto para las empresas que quieren sobrevivir. https://provenancemanifesto.org/es/blog/how-should-intellectual-capital-be-assessed-in-the-context-of-artificial-intelligence-increasingly-replacing-human-roles https://provenancemanifesto.org/es/blog/how-should-intellectual-capital-be-assessed-in-the-context-of-artificial-intelligence-increasingly-replacing-human-roles Mon, 16 Feb 2026 00:00:00 GMT La IA está tomando rápidamente la capa del “Qué” en el desarrollo de software: generando arquitecturas, código, optimizaciones y soluciones alternativas más rápido de lo que los humanos podrían hacerlo. Como resultado, la implementación y la exploración de soluciones se vuelven baratas, escalables y cada vez más automatizadas. Pero la capa estratégica real de la ingeniería nunca ha sido el “Qué”. Las preguntas críticas son el “Por qué”: por qué existe una solución, por qué se aceptó un compromiso, por qué un riesgo es tolerable y por qué un resultado determinado importa para el negocio. Estas preguntas definen la intención, no la implementación. https://provenancemanifesto.org/es/blog/ai-will-take-the-what-but-humans-must-own-the-why https://provenancemanifesto.org/es/blog/ai-will-take-the-what-but-humans-must-own-the-why Tue, 10 Feb 2026 00:00:00 GMT A medida que la IA se vuelve capaz de proponer arquitecturas, escribir código y optimizar sistemas, el verdadero peligro no es una IA maliciosa, sino perder el rastro de la intención humana detrás de los sistemas que construimos. Las organizaciones ya tienen dificultades para recordar por qué se tomaron ciertas decisiones; en un entorno aumentado por IA este problema se vuelve mucho más serio porque las máquinas pueden optimizar soluciones más rápido de lo que los humanos pueden comprenderlas. Para evitar construir sistemas que optimicen perfectamente objetivos equivocados, necesitamos una nueva capa de infraestructura llamada Provenance: un registro estructurado de decisiones, restricciones, compromisos e intención que conecte el comportamiento del sistema con el propósito humano. Sin esta capa de memoria, las organizaciones corren el riesgo de volverse altamente eficientes pero estratégicamente desalineadas, perdiendo gradualmente la capacidad de explicar o controlar los sistemas que crean. https://provenancemanifesto.org/es/blog/we-are-teaching-ai-to-decide-but-we-are-forgetting-how-to-remember https://provenancemanifesto.org/es/blog/we-are-teaching-ai-to-decide-but-we-are-forgetting-how-to-remember Sat, 03 Jan 2026 00:00:00 GMT Las organizaciones de entrega de software pierden repetidamente el contexto detrás de sus decisiones. Meses después de la implementación, los equipos a menudo no pueden explicar por qué se construyó algo, qué compromisos se aceptaron o qué se había prometido originalmente. Esto ocurre porque las herramientas del SDLC rastrean artefactos como tickets, commits, horas y costes, pero no la intención, los compromisos ni el razonamiento detrás de ellos. El resultado es “amnesia de contexto”: los equipos reconstruyen soluciones, repiten decisiones, discuten sobre el alcance y generan retrabajo, pérdida de margen y agotamiento. El problema central no son equipos descuidados, sino una brecha sistémica: el SDLC no tiene memoria incorporada del razonamiento de las decisiones. La pregunta incómoda que plantea el artículo es: ¿cómo es posible que en el desarrollo moderno de software rastreemos rigurosamente la ejecución pero no el razonamiento que la moldeó? https://provenancemanifesto.org/es/blog/why-sdlc-has-no-memory-and-why-delivery-teams-keep-paying-for-it https://provenancemanifesto.org/es/blog/why-sdlc-has-no-memory-and-why-delivery-teams-keep-paying-for-it Thu, 01 Jan 2026 00:00:00 GMT