¿El Tech Lead es solo un Senior con un título más bonito o realmente cambia su función? En este episodio, Juan y Douglas desglosan la figura del Lead de Tecnología: desde la diferencia crucial entre gestionar personas (Engineering Manager) y gestionar el stack técnico, hasta por qué las empresas pequeñas también necesitan uno para evitar el caos. Si quieres escalar en tu carrera técnica sin despegarte del código, este episodio es para ti.

Lo que aprenderás hoy:

• La diferencia entre Tech Lead, Staff Engineer y Engineering Manager.
• Por qué el Tech Lead es el "dueño" del estándar técnico y no necesariamente el jefe administrativo.
• Habilidades clave: del troubleshooting experto a la evangelización y documentación.
• El modelo de Habilidades en T: profundidad en tu área y visión general del flujo (DNS, DB, Infra).
• Consejos prácticos para Juniors y Seniors que aspiran a liderar equipos.

¡Únete a nuestra comunidad y no te pierdas nada!

YouTube: https://www.youtube.com/@DevAndOpsPodcast ▶️
TikTok: https://www.tiktok.com/@devandops 🕺
Instagram: https://www.instagram.com/devandopspodcast 📸
Facebook: https://www.facebook.com/devandops 👍
Spotify: https://open.spotify.com/show/1MuMODYsE4xN6RhOcd8EaG 🎧

Capítulos:

(00:00) Introducción: Tech Leads en todas las disciplinas
(01:26) Bienvenidos a Dev&Ops: La importancia de compartir experiencias
(02:41) El reto de definir qué es un Tech Lead según la empresa
(04:00) El estándar de la industria vs. la realidad de las startups
(07:30) ¿Seguimos copiando lo que hacen las FAANG (Meta, Google, Netflix)?
(10:13) Nuevos roles: La IA y los puestos emergentes (LLM Operators)
(12:00) Definición formal: ¿Qué dice Indeed sobre el Tech Lead?
(14:48) Especializaciones: Tech Leads de Frontend, Backend y SRE
(16:34) "¿Suena caro?": Por qué un Tech Lead te ahorra dinero a largo plazo
(18:20) El Tech Lead como dueño del Stack y los estándares técnicos
(20:30) Diferencia entre liderazgo técnico y gestión administrativa
(23:10) ¿Debe un Tech Lead encargarse de las contrataciones?
(26:30) Habilidades blandas: El fit cultural más allá del código
(30:22) Tech Lead vs. Staff Engineer vs. Engineering Manager
(37:50) Estructuras de equipo: ¿Cuántos leads necesitas según tu tamaño?
(41:00) Evitando el caos: La importancia de la armonía técnica
(44:23) Hoja de ruta: Habilidades para ser considerado un Tech Lead
(47:44) La importancia del Research y entender el negocio
(50:55) De experto a mentor: Documentación y evangelización técnica
(56:23) Conclusión y consejos finales para tu carrera

#devops #techlead #programacion #ingenieriadesoftware #staffengineer #crecimientoprofesional #tecnologia #systemdesign #podcasttecnologia #desarrolloweb

En este episodio hablamos a fondo sobre una de las preguntas más comunes hoy en día en inteligencia artificial: ¿es mejor usar modelos en la nube o correr IA en local?

Compartimos experiencias reales probando modelos locales, los retos de hardware, costos ocultos, rendimiento y qué tan viable es realmente para el día a día. También exploramos casos prácticos donde sí tiene sentido usar IA en local y cuándo definitivamente no vale la pena.

Si estás considerando montar tu propio entorno de IA o quieres optimizar costos, este episodio te va a dar claridad basada en experiencia real, no en “venta de humo”.

🔍 En este episodio aprenderás:

• Qué es realmente la IA en local y cómo funciona
• Diferencia entre modelos “open source” y “open weights”
• Limitaciones reales de hardware (RAM, VRAM, contexto)
• Cuándo sí tiene sentido usar modelos locales
• Por qué la nube sigue siendo la mejor opción en muchos casos
• Casos prácticos donde modelos pequeños funcionan muy bien
• Cómo balancear costo, rendimiento y tiempo en tu workflow

📑 Capítulos:
(00:00) Introducción y contexto del episodio
(02:00) Nuevo integrante en la familia y regreso al podcast
(04:30) Tema del episodio: IA en local vs en la nube
(07:30) ¿Qué es la IA en local?
(10:30) Open source vs open weights
(14:00) Evolución de modelos (Llama, Qwen, etc.)
(18:30) Limitaciones reales del hardware
(22:00) Quantization explicado
(26:30) Experimentos en hardware limitado
(30:00) Casos de uso prácticos con modelos pequeños
(35:30) Debate: IA local vs nube
(42:00) Costos, planes y modelos en la nube
(48:00) Problemas reales de rendimiento en local
(52:00) Privacidad: mitos y riesgos
(56:30) Casos donde sí vale la pena IA local
(01:02:00) Conclusiones y recomendaciones
(01:10:00) Cierre del episodio

En este episodio hablamos de uno de los temas más mal entendidos al trabajar con contenedores: por qué “Docker rompe producción”… cuando en realidad el problema es cómo lo operamos.

A partir de experiencias reales migrando de VMs a contenedores, exploramos errores comunes que suelen pasar desapercibidos en desarrollo pero explotan en producción. Desde tratar contenedores como máquinas virtuales hasta no definir límites de recursos, usar latest o construir imágenes gigantes.

También abordamos errores de “día 2” como manejo de logs, secretos, health checks y seguridad, que pueden tumbar sistemas completos si no se manejan correctamente.

🔍 En este episodio aprenderás:

• Por qué los contenedores no son el problema, sino su operación
• El error de tratar contenedores como VMs (y cómo cambiar esa mentalidad)
• Cómo evitar caídas por falta de límites de CPU y memoria
• Por qué nunca deberías usar latest en producción
• Cómo optimizar imágenes Docker para mejorar performance y despliegues
• Errores comunes en logs, secretos y health checks en entornos productivos

📑 Capítulos:
(00:00) Introducción y contexto del episodio
(02:05) ¿Los contenedores realmente rompen producción?
(05:10) Error #1: Tratar contenedores como VMs (pet vs cattle)
(12:50) Error #2: No definir límites de recursos
(19:40) Error #3: Usar el tag latest en producción
(25:30) Error #4: Imágenes Docker pesadas
(32:20) Errores de fase 2: logs, secretos, seguridad y health checks
(39:30) Conclusiones y recomendaciones finales