Economía de la IA · Competencia
El miedo también cotiza: las cuentas detrás de frenar la carrera de la IA
Una investigación personal sobre qué ocurre cuando el miedo a la IA convive con una carrera de capital, cómputo y regulación.
Hello, I'm Daniel
Data Engineer · Azure & Databricks · AI-Ready Data Platforms · Purpose-Built Agent Harnesses
I design and build purpose-built agent harnesses for professional workflows, combining orchestration, tools, data, RAG, MCP, A2A, evaluation and secure execution.
In Research Notes I write about enterprise AI platforms, agentic systems, and data architecture — and Lab Notes documents my personal multi-agent systems lab.
- ▹Azure
- ▹Databricks
- ▹Spark
- ▹Data Architecture
- ▹RAG
- ▹MCP
- ▹A2A
- ▹Agentic Systems
- ▹Agent Harnesses
Experiencia
Viewnext · Grupo IBM
Data Engineer
2025 – Presente
Málaga, España · Full Remote
- Asignado a tiempo completo a la plataforma de datos ARiA de Repsol, construyendo pipelines end-to-end desde la ingestión en origen hasta capas analíticas curadas en Azure Data Lake, con Unity Catalog como capa de gobernanza y descubrimiento de datos.
- Desarrollo ingestas batch y streaming sobre fuentes heterogéneas: Oracle, Teradata, SQL Server, APIs, Salesforce, sFTP, Event Hubs y señales industriales de PI System.
- Construyo flujos de transformación y calidad de datos con Python, PySpark, SQL, Azure Databricks y Azure Data Factory; doy soporte al modelado en capas Bronze, Silver y Gold, incluyendo modelos en Synapse Dedicated Pools.
- Colaboro con Solution Architects para convertir diseños de arquitectura en implementaciones robustas y escalables, entregando en Desarrollo, Test, Acceptance y Producción, incluyendo UAT y estabilidad post-release.
- Integro los pipelines con observabilidad, monitorización y orquestación para seguir la salud de las ingestas, dependencias y cumplimiento de SLAs.
- Aplico prácticas de gobernanza y seguridad (catalogación de metadatos, ACLs, Azure Key Vault, Service Principals) dentro de la entrega Agile con Azure DevOps y ServiceNow, incluyendo CI/CD y flujos Git.
BeoneBe
Ingeniero de Datos y Cloud
Enero 2024 – Julio 2024
Marbella, España
- Construcción de un pipeline de inteligencia documental sobre Azure para extracción automatizada de metadatos y verificación de autenticidad a escala
- Despliegue de servicios de procesamiento con Docker sobre Linux, con terminación TLS/SSL y proxy inverso
- Diseño y exposición de APIs REST con C#/.NET para poner a disposición de aplicaciones downstream los resultados de inteligencia documental, con CI/CD para pruebas y despliegue automatizados
Sistemas de Agentes Aplicados
Junto a mi trabajo en ingeniería de datos, construyo sistemas de IA agéntica para flujos de trabajo profesionales. Cada sistema parte de un objetivo concreto y evoluciona a través de herramientas, contexto, flujos de datos, RAG, MCP, A2A, evaluación, observabilidad y feedback.
En la práctica esto incluye poseer la capa MCP de extremo a extremo — construir y operar servidores MCP con OAuth/PKCE, tool registries y audit trails sobre sistemas reales — además del lado de adopción: librerías de skills compartidas y convenciones como CLAUDE.md / AGENTS.md que hacen que la IA sea segura de usar también para equipos no técnicos.
En marcha
Harness de Análisis de Redes Sociales
Un sistema de análisis de redes sociales para un investigador académico que estudia la desinformación y las redes sociales. Extrae comentarios de YouTube y genera informes analíticos con R, Python y Stata.
Construido
En el roadmap
Asistente RAG sobre Documentos Privados
Un asistente planeado, fundamentado en documentos, para un director de centro educativo, usando PDFs privados y documentación institucional como base de conocimiento.
Planeado
Asistentes de Conocimiento para Educación
Asistentes planeados para docentes universitarios y de secundaria, adaptados a flujos de investigación, docencia y administración.
Planeado
Cómo Construyo
ObjetivoContexto y DatosHerramientas y OrquestaciónRAG y GuardrailsEvaluaciónIteración
Estos sistemas se construyen junto a las personas que los usan, y evolucionan según sus objetivos reales en lugar de una especificación fija.
Notas de Investigación
Ver todas las notas de investigación →Últimas investigaciones
IA Agéntica · Gobernanza
ServiceNow en la era de la IA agéntica: AI Control Tower, AI Agent Fabric y el nuevo moat de la ejecución gobernada
Análisis del reposicionamiento estratégico de ServiceNow como capa de gobernanza y ejecución para agentes autónomos, examinando AI Control Tower y AI Agent Fabric como infraestructura de IA empresarial.
Lab · Trabajo en progreso
Lab Notes · Sistemas Multi-Agente
Construyendo un Lab Local de Sistemas Multi-Agente
Explorando sistemas agénticos, orquestación de LLMs, tooling MCP e ingeniería de harnesses para flujos multi-agente fiables.
Documentación técnica viva para un lab local de sistemas multi-agente — orquestación, tooling MCP, comunicación A2A agente-a-agente, sistemas multi-agente, fiabilidad, evaluación y ejecución segura.
Tech Stack
The tools I work with daily — from ingestion to analytics.
Python
PySpark
SQL
Azure
Databricks
Azure DevOps
Docker
Git
Linux
Bash
TypeScript
Scala
C#
.NET
Next.js
Postman