Etiqueta
La confianza en la evaluación automatizada de agentes de IA casi se triplicó en julio, pero la tasa de fallos en producción no mejoró. Las empresas que ya sufrieron un fallo son las que más confían en la automatización, aunque paradójicamente también las que más avanzan hacia la autonomía total.
La fiabilidad de sistemas complejos depende cada vez más de proporcionar contexto preciso a los modelos de IA. Un episodio reciente del podcast de Stack Overflow con Asaf Savich, de Komodor, analiza cómo la ingeniería de contexto se convierte en la habilidad clave para los SRE del futuro.
OpenAI ha publicado un análisis crítico que señala serias deficiencias en SWE-Bench Pro, un popular benchmark para evaluar habilidades de codificación de modelos de lenguaje. El estudio plantea dudas sobre la validez de las comparaciones entre modelos y la verdadera utilidad de estas métricas.