


Product Lead, Spanish AI Gigafactory @Telefonica | Co-founder & CEO @Kairos_Tek | Lecturer @IEuniversity, @Afi_es, UCM, UPM and UCLM | AI speaker & communicator


AI Socratic returns to Madrid in November! A monthly gathering for professionals, researchers, founders, educators, and developers in the field of AI. We host Socratic dialogues on the most pressing topics in AI: new models and tools, research papers, the alignment of general AI, philosophy, geopolitics, and much more. If you’d like to be part of this community, join us on Thursday, September 26th, at 17:30. Sign up here (spots are limited!) 👇

Spaniards assemble!
En el hilo turras de hoy, lamento dejar mi tono predilecto técnico y de alguna manera científico/estratégico, porque entra con fuerza por un lateral del escenario, la necesidad de un call to arms.

En el hilo turras de hoy, lamento dejar mi tono predilecto técnico y de alguna manera científico/estratégico, porque entra con fuerza por un lateral del escenario, la necesidad de un call to arms.

Most teams check their AI agents by asking another LLM to grade them. The catch: that grader is slow, expensive, and can give the same answer two different grades. @adlrocha tested a cheaper alternative. Here’s what he found. At Baselight, the startup he co-founded, grading was so costly they couldn’t run it on every code change. Only on some changes, plus a nightly run. Worse: when a test failed, they couldn’t tell if the agent got worse or the grader changed its mind. Finding out meant paying for the evaluation again. The alternative: decision models. They don’t write. They pick an option (yes/no, A/B) and say how confident they are. So you rewrite your evaluation as closed questions, like “Is the answer based on the data the agent found?” The numbers: - LangChain: matched the human reviewer every time. $0.34 vs $28.17 with a regular LLM - Alfonso’s test on code reviewers: same verdict as the LLM grader 9 times out of 10, 8.6x faster, half the price His take: decision models for anything you can ask as yes/no. LLM graders for anything that needs an explanation. And a warning: a grader that always gives the same grade isn’t necessarily right. In the 2 case out of 10 where they disagree, who’s right? We debate questions like this every month at AI Socratic Madrid. Join us 👉 luma.com/aimadrid
LLM-as-a-judge always pushed my agent evals out of CI: too slow, too expensive, and too noisy. At Baselight a red test could mean the agent got worse or the judge changed its mind, and the only way to know was to pay for another run. In part 2 of the decision models series I replaced the LLM judge in a code-review eval with OpenAI's Decisions API: * 90.7% agreement with the generative judge * 186 ms per verdict, 8.6x faster * About half the cost (not the 80x LangChain saw, and I explain why) What changes when judging is nearly free: you run the whole suite on every commit, judged evals start behaving like ordinary tests, and the model's confidence becomes a signal of how flaky your eval is. I also cover where I'd still pay for an LLM judge. Link to post: adlrocha.substack.com/p/adlr…

Every time one of my agents needs a yes-or-no, I pay an LLM to think for a few seconds and get back an answer with no sense of how sure it is. Decision models like Jev and Cloudflare's open Clef answer the same question in milliseconds, without writing a word, and put a confidence next to every option. My bet: decision models are a new primitive for the AI stack, like embeddings were. First of a three-post series. adlrocha.substack.com/p/adlr…

¿Cámaras o biometría en exámenes online? Examino los límites del proctoring universitario: la biometría y la supervisión invasiva exigen base legal sólida y alternativas libres. pablofb.com/2025/10/09/puede…

¿Es legal usar la huella dactilar para acceder a gimnasios, bibliotecas o empresas? Analizo la ilicitud del control de acceso por huella según el RGPD y la AEPD, recordando que es obligatorio ofrecer alternativas no biométricas para evitar sanciones. pablofb.com/2025/10/08/es-le…

En este artículo cuento lo que aprendimos en @Kairos_Tek al probar distintos modelos abiertos (open source) con tres casos de uso reales de una gestoría. Y por qué la elección final no depende de los rankings públicos de estos modelos, sino de las pruebas que construimos específicamente con el trabajo de nuestro cliente, que no tienen por qué dar el mismo resultado. No hablo de teoría, sino de una experiencia real que ha permitido a una gestoría de 20 personas integrar, por fin, la inteligencia artificial en su trabajo del día a día sin sacrificar calidad ni comprometer la privacidad de la información que gestiona. En Moneyball (película que siempre recomiendo) Peter Brand convence a Billy Beane de que el objetivo de un equipo no es fichar jugadores, sino comprar victorias. Con los modelos de IA pasa exactamente lo mismo: no compras un modelo, compras aciertos sobre tu trabajo. Y los aciertos solo se ven midiendo lo que necesitas saber para decidir. Si quieres saber cómo elegir el modelo que de verdad necesitas para tu trabajo, te lo cuento en este artículo de la newsletter "Entre gigafactorIA y gestorIA". linkedin.com/pulse/abiertos-…

I've earned my #ClaudeCertified Associate credential at the Foundations level. This credential validates the skills to apply Claude to real work: prompting, evaluating output, integrating Claude into workflows, and using it responsibly. credly.com/badges/893c8d17-b…

Qué cambió con el AI Act, y cómo afecta a una PYME linkedin.com/pulse/qu%C3%A9-…

Desde que el Ómnibus Digital de IA entró en vigor a finales de julio, la pregunta que más me han hecho relacionada con el AI Act desde las PYMEs con las que tratamos en @Kairos_Tek (gestorías, despachos o agencias de menos de veinte personas) llega con un tono de alivio que se nota claramente: "He leído que el AI Act se ha aplazado a diciembre de 2027, entonces ya no me toca hacer nada todavía, ¿verdad?". Y la respuesta suele ser siempre la misma: lo que se aplazó casi con total seguridad no era tuyo, y lo que sí entró en vigor el 2 de agosto no te pide lo que crees que te pide. El Ómnibus no suavizó el reglamento para las empresas pequeñas. Movió las obligaciones caras, que afectan a muy pocas empresas, y dejó intactas las baratas, que afectan a casi todas. Y la parte que se mantiene implica dos puntos de vista diferentes: el de quien fabrica el sistema y el de quien lo usa, que casi todo lo que he leído estas semanas mezcla en uno solo. Ahí es donde se está tomando mal la decisión, y si tienes una PYME, eso es lo que tienes que revisar (no te preocupes, pero ocúpate). Te lo cuento en esta nueva publicación de la newsletter "Entre gigafactorIA y gestorIA". Qué cambió con el AI Act, y cómo afecta a una PYME.

En Santander AI Lab estamos ampliamos equipo en Madrid. Buscamos Frontier AI Engineers y AI Researchers para trabajar en los retos más ambiciosos de la IA aplicada a la banca, con mucha autonomía y capacidad de ir más allá del estado del arte actual. Info: linkedin.com/posts/delachica…

Pensé "para clonar un repo me bastará con Haiku"... Resultado: rm -rf de *TODO* lo que tenía hecho con Claude. Se ha disculpado, eso sí: "Me disculpo profundamente. He cometido un error crítico. El problema es que asumí que ~/claude solo contenía el repositorio anterior, pero claramente tenías otros proyectos/datos ahí. El rm -rf ~/claude limpió TODO el directorio, no solo lo que querías actualizar." Por eso uso github. Moraleja: NO trabajar con Haiku, sobre todo cuando te duele la cabeza.

"La IA no es el problema" Me encanta el titular que le han puesto a esta entrevista que nos hizo @ignacio_arriaga Mi opinión sobre la teoría de que la IA acabará con la consultoría se resume en que es errónea porque parte de una premisa falsa: que existe una sola respuesta correcta para un problema. youtube.com/watch?v=Adzis1LJ…

I really hope people have caught the @ENTERSHIKARI-themed Easter egg at the end of the post.
I'm calling 26th of August AI Independence Day. DeepSeekV4-Flash was the first frontier-adjacent model you could squeeze onto a Spark. Now Qwen3.8-Flash-Next fits in under $5K of hardware, and GLM5.3 fits with some pruning. The intuition I've been trying to communicate for a while is that total size decides whether you can run it, while active size decides whether it's pleasant to use. Both numbers are finally landing in a good place at the same time. Which means: unlimited tokens at home. In this week's posts I chat about Flash models, and ox-alpha, the undercover model that was doxxed: adlrocha.substack.com/p/adlr…