Talks, podcast and publications

Puntos clave

• Airflow como orquestador, no como motor de procesamiento: unos 300 DAGs en producción.
• Un framework propio en YAML sobre Airflow, nacido después de que un enfoque tipo DAG Factory generara cuellos de botella en el code review. Más del 80% de los DAGs nuevos ya se crean con él: DAGs en Python, templates Jinja, configs YAML y compilación en CI/CD.
• Data quality integrada, con una herramienta propia que testea por partición, y operadores custom para dbt, calidad y servicios de AWS como QuickSight.
• Spec-driven development (un fork de GitHub Spec Kit) para que usuarios de negocio pidan DAGs que agentes generan a partir de templates certificados.
• Los errores se rutean por Slack al equipo dueño de cada DAG; solo lo profundo escala al equipo central. Próximo paso: PRs disparados por agentes para pipelines que se autocorrigen.
• Wishlist de Airflow 3: mejores backfills, orquestación por eventos y human-in-the-loop para DAGs de IA generativa.

Puntos clave

• El problema no es la falta de documentación, es que cada equipo la resuelve distinto: sin dueño, sin fuente única, sin definición de cuándo está "hecha".
• Antes de automatizar, simplificar: plantillas, una única fuente de verdad, doc en el Definition of Done, responsable asignado.
• Empezar por la mínima versión que ya resuelve el problema — no por el flujo ideal completo.
• No reinventar la rueda: ya existen proyectos y estándares abiertos (compresión de codebases, grafos de conocimiento, RAG sin embeddings) que resuelven partes del problema mejor de lo que lo haría una solución custom desde cero.
• Demo en vivo de los 5 loops de Docu Viva: indexación, detección, generación, verificación y distribución — con un humano en el loop entre generación y verificación.

Lo que me llevé

• El gap entre Europa y LATAM no es tecnológico sino regulatorio: PSD2, open finance y MiCA son el piso desde el que Europa construyó, y LATAM está en ese momento ahora.
• La conversación de IA ya no es adoptarla sino rediseñar equipos, porque la IA tomó parte del trabajo.
• La tokenización ya tiene marco en Europa (MiCA: stablecoins, activos digitales, pagos programables). En LATAM el camino fue inverso: primero adopción, después regulación.
• El corredor LATAM-Europa ya tiene tráfico, más del esperado, y se está armando infraestructura.

Tenemos el manual europeo y la velocidad de un mercado que avanza de forma brutal.

Lo que me llevé

• Cambiar de modelo lleva un sprint; limpiar cinco años de datos, no.
• AI-Ready es consecuencia de cómo gobernaste los datos, no de un stack.
• Los equipos con agentes en producción compartían cuatro cosas: inversión previa en gobierno y calidad de datos; una capa semántica entre negocio y datos; un diseño pensado para regulación, auditoría y observabilidad; y una base previa (flujos estandarizados o un chatbot con historial) a la que le sumaron inteligencia, memoria y tools.