Qwen3.7-Max de Alibaba completó una ejecución autónoma de programación de 35 horas

Alibaba lanzó Qwen3.7-Max después de que una prueba autónoma de programación de 35 horas convirtiera una noticia rutinaria de Google News en un desafío directo para los equipos de software. Según se informa, el modelo ejecutó 1.158 llamadas a herramientas y probó 432 variantes de kernel sin intervención humana. Alibaba afirma que el código resultante se ejecutó diez veces más rápido que la implementación de referencia.

El titular suena como otra advertencia de que la IA viene por los puestos de ingeniería. Sin embargo, la interpretación más útil va en la dirección contraria. Qwen3.7-Max no produjo una aplicación desechable a partir de un prompt breve. Dedicó horas a medir, depurar, revisar y validar código altamente especializado.

Esa distinción pone bajo presión a Anthropic, DeepSeek, Moonshot AI, Zhipu AI y los equipos de software empresariales. La competencia está dejando atrás la cuestión de quién responde correctamente una pregunta de programación. Ahora se trata de qué modelo puede seguir siendo productivo dentro de un flujo de trabajo largo y propenso a fallos.

Alibaba ha aportado evidencia impresionante, pero no ha resuelto el caso. La mayoría de las cifras de rendimiento proceden de la empresa o de benchmarks creados por el equipo de Qwen. Equipos independientes deben reproducir los resultados antes de que los compradores los consideren garantías operativas fiables.

Qué cambió realmente Qwen3.7-Max de Alibaba

El cambio importante no es que Qwen3.7-Max escriba código, sino que, según se informa, sostuvo un ciclo de ingeniería medible durante 35 horas.

Alibaba presentó Qwen3.7-Max el 20 de mayo de 2026, durante su cumbre de cloud en Hangzhou. El modelo propietario se dirige a cargas de trabajo agénticas, es decir, tareas en las que el software elige acciones, llama herramientas, observa resultados y revisa su enfoque.

Ese foco difiere del patrón habitual de chatbot. Un chatbot suele recibir un prompt y devolver una respuesta. Un agente debe conservar su objetivo mientras navega errores, información incompleta, estados cambiantes y uso repetido de herramientas.

Alibaba puso a prueba esa capacidad con un kernel de atención para SGLang, un sistema de código abierto utilizado para servir modelos de lenguaje. Un kernel es un programa de bajo nivel que realiza un cálculo específico en hardware. Pequeñas mejoras pueden afectar la velocidad y el coste de cada solicitud al modelo que utiliza esa operación.

El hardware objetivo era una instancia cloud equipada con aceleradores T-Head Zhenwu M890 de Alibaba. Según la empresa, Qwen3.7-Max no había encontrado esa arquitectura de chips durante el entrenamiento. No recibió documentación de hardware, historial de mediciones ni una implementación de muestra optimizada.

El modelo empezó con una versión de referencia escrita en Triton, un lenguaje de programación para desarrollar kernels de GPU de alto rendimiento. Después compiló alternativas, midió su rendimiento, identificó fallos y modificó el código.

El experimento de 35 horas involucró 432 pruebas de kernel y 1.158 llamadas a herramientas. Alibaba afirma que la implementación final ofreció una aceleración media de diez veces frente a la referencia inicial.

Esos detalles importan más que una sola puntuación de benchmark. El modelo tuvo que conectar un objetivo con una larga serie de acciones. También tuvo que recuperarse cuando los resultados de compilación o rendimiento contradecían sus decisiones previas.

La tarea seguía teniendo límites favorables. Alibaba controlaba el modelo, el chip, el entorno cloud y buena parte del proceso de evaluación. La empresa podía diseñar la configuración en torno a una infraestructura que comprendía bien, incluso si el modelo no se había entrenado con esa arquitectura específica.

No obstante, la ejecución representa una prueba más exigente que pedir a un modelo que complete una función aislada. Se parece al flujo de optimización de un ingeniero, donde el progreso depende de experimentos repetidos más que de una respuesta memorizada.

Alibaba también está convirtiendo ese enfoque en agentes en una estrategia comercial más amplia. Su anuncio de cloud describió Qwen3.7-Max como un modelo diseñado para operaciones sostenidas y de varios pasos en programación y trabajo de oficina.

El modelo admite interfaces compatibles con herramientas de OpenAI y Anthropic. Alibaba afirma que los desarrolladores pueden conectarlo a entornos de agentes que incluyen Claude Code, OpenClaw, Qwen Code, Hermes Agent y Qoder.

Esa compatibilidad reduce la importancia de cualquier aplicación de chat concreta. Las empresas pueden probar el modelo subyacente dentro de un arnés de agentes existente, el software circundante que gestiona herramientas, permisos, contexto y ejecución.

Por eso la historia trascendió la cobertura especializada y llegó a Google News. Alibaba no se limita a afirmar que ofrece un asistente mejor. Presenta el modelo como un trabajador capaz de mantenerse dentro de un proceso de ingeniería hasta que este produzca un resultado validado.

Por qué la ejecución de 35 horas pone presión sobre los agentes de programación

Qwen3.7-Max eleva el estándar competitivo de generar código plausible a mantener un impulso útil a lo largo de cientos de decisiones.

Los modelos de programación han mejorado rápidamente en pruebas que miden si un sistema puede resolver un problema de software definido. Esas evaluaciones siguen siendo útiles, pero comprimen el trabajo de ingeniería en una tarea limpia con una meta reconocible.

El trabajo en producción es menos ordenado. Los repositorios contienen dependencias sin documentar, requisitos contradictorios, pruebas intermitentes y decisiones cuyas consecuencias aparecen mucho después. Un modelo puede escribir un parche impresionante y aun así dejar a una persona más trabajo de limpieza que el que requería el problema original.

El experimento de Alibaba ataca una parte de esa debilidad. Su afirmación central se refiere a la resistencia ante la retroalimentación. Qwen3.7-Max no necesitaba que cada acción tuviera éxito, porque el ciclo de medición le permitía corregir los intentos fallidos.

Ese patrón se parece más al método científico que al autocompletado. El modelo propuso un cambio, ejecutó un experimento, examinó el resultado y generó otro candidato. El valor procedía del ciclo completo, no de una respuesta especialmente ingeniosa.

Alibaba informó de brechas significativas entre Qwen3.7-Max y varios competidores en la misma tarea de kernel. La empresa afirma que GLM-5.1 alcanzó una aceleración de 7,3 veces, Kimi K2.6 llegó a cinco veces y DeepSeek V4 Pro alcanzó 3,3 veces. Según se informa, Qwen3.6-Plus alcanzó 1,1 veces.

Estas comparaciones deben seguir siendo provisionales. Alibaba seleccionó la tarea, configuró los agentes e informó de los resultados. Los cambios en los prompts, límites de herramientas, reglas de detención o asignación de cómputo pueden influir considerablemente en una evaluación de agentes.

Anthropic sigue siendo un punto de referencia crucial. En KernelBench L3, Alibaba afirma que Qwen3.7-Max generó kernels acelerados con éxito en el 96 por ciento de los casos. Según se informa, Claude Opus 4.6 alcanzó el 98 por ciento en la comparación del proveedor.

El panorama más amplio de benchmarks es mixto, no unilateral. Según se informa, Qwen3.7-Max obtuvo 80,4 en SWE-bench Verified, frente a 80,8 para Claude Opus 4.6 Max y 80,6 para DeepSeek V4 Pro Max.

Alibaba también reconoce áreas en las que Claude lideró su comparación. Entre ellas estaban NL2Repo, ClawEval y CoWorkBench. Eso hace que la competencia real sea menos dramática, pero más relevante para los compradores que seleccionan modelos en torno a flujos de trabajo concretos.

La presión recae, por tanto, sobre todos los proveedores de modelos que hacen afirmaciones amplias sobre agentes. Los clientes preguntarán cada vez más cuánto tiempo sigue siendo eficaz un agente, con qué frecuencia necesita rescate y si su trabajo supera una revisión independiente.

Una puntuación alta en un benchmark corto no puede responder a esas preguntas. Tampoco una demostración pulida. Las empresas necesitan distribuciones de resultados en ejecuciones repetidas, incluidos los fallos, las tasas de recuperación, el tiempo de intervención y la calidad de los artefactos finales.

El nuevo estándar también presiona a los desarrolladores de plataformas de agentes. El modelo es solo un componente de un sistema funcional. El diseño de herramientas, la gestión del contexto, la observabilidad, los límites de permisos y los validadores determinan si una autonomía prolongada produce progreso o daños prolongados.

El método de entrenamiento de Alibaba refleja esa visión a nivel de sistema. El equipo de Qwen separa cada ejercicio en una tarea, un entorno de herramientas y un validador. Los investigadores pueden recombinar estos elementos para desalentar estrategias que solo funcionan en una configuración conocida.

Un validador comprueba si el resultado satisface el objetivo previsto. Esa función se vuelve esencial durante ejecuciones largas, porque de otro modo un modelo seguro de sí mismo puede optimizar la métrica equivocada durante horas.

Alibaba afirma que Qwen3.7-Max mantuvo resultados más consistentes en OpenClaw, Claude Code y Hermes que su predecesor. Si las pruebas independientes confirman ese resultado, reduciría el trabajo necesario cuando las organizaciones cambian de frameworks de agentes.

Para los líderes de ingeniería, la consistencia puede importar más que liderar un ranking. Un modelo ligeramente más débil que se comporta de forma predecible entre herramientas puede ser más fácil de gobernar que el mejor puntuado cuyo rendimiento cambia con cada arnés.

Ese es el mensaje competitivo bajo el titular de Google News. Alibaba pide a los compradores que juzguen los modelos como operadores persistentes integrados en sistemas, no como generadores aislados que esperan dentro de pestañas del navegador.

El trabajo que Qwen está asumiendo es el ciclo repetitivo de experimentación

El desplazamiento más creíble a corto plazo afecta a las iteraciones repetitivas de ingeniería, mientras los humanos conservan la responsabilidad sobre objetivos, restricciones y consecuencias.

La frase "quitarte el trabajo" agrupa muchas actividades distintas en una predicción dramática. La ingeniería de software incluye descubrimiento de producto, arquitectura, implementación, pruebas, revisión de seguridad, respuesta a incidentes, negociación y mantenimiento.

Qwen3.7-Max no realizó todas esas funciones. Abordó un objetivo de optimización limitado en un entorno instrumentado. Su resultado más sólido procedió de repetir un ciclo que las máquinas pueden ejecutar más rápido y durante más tiempo que las personas.

La optimización de kernels es un buen ejemplo. Un ingeniero a menudo debe probar muchas opciones de implementación, evaluarlas con benchmarks, inspeccionar cuellos de botella y descartar la mayoría de los intentos. El trabajo exige experiencia, pero gran parte de su tiempo transcurrido procede de la experimentación repetida.

Un agente que automatice esas repeticiones puede ampliar el alcance de un especialista. Un ingeniero puede definir el objetivo, establecer pruebas de corrección, supervisar el entorno y revisar un proceso de búsqueda mayor del que una persona podría realizar manualmente.

Esa disposición transforma el trabajo sin eliminar la responsabilidad. Alguien sigue decidiendo qué significa "más rápido", qué tolerancias numéricas son aceptables y si la optimización crea problemas de seguridad o mantenimiento.

Los fallos del modelo también pasan a formar parte de la carga de trabajo de ingeniería. El código generado requiere revisión, mientras que las largas ejecuciones autónomas necesitan registros que expliquen qué archivos cambiaron, qué comandos se ejecutaron y qué supuestos dieron forma al resultado.

Aquí es donde la interpretación optimista gana cierta credibilidad. La búsqueda y medición tediosas pueden pasar al agente, dejando a las personas más tiempo para el diseño de sistemas y el criterio.

Sin embargo, ese beneficio no es automático. Las organizaciones pueden usar las ganancias de productividad para mejorar la calidad, intentar trabajos más difíciles, reducir plantilla o aumentar las expectativas de producción. La tecnología no decide cómo la dirección distribuye las ganancias.

Los desarrolladores también deberían distinguir entre automatización de tareas y sustitución ocupacional. Un modelo puede automatizar una actividad sustancial sin comprender el contexto empresarial que la rodea. Los empleadores aún pueden reorganizar roles si suficientes actividades se vuelven automatizables.

La transición probablemente será desigual. Los equipos que trabajen en repositorios bien probados obtendrán más de los agentes porque los validadores pueden detectar regresiones rápidamente. Los sistemas con poca documentación ofrecen una retroalimentación más débil, por lo que un agente puede producir cambios plausibles pero perjudiciales.

El trabajo especializado de infraestructura podría volverse más accesible. Un desarrollador sin años de experiencia en kernels podría usar un agente para explorar opciones de implementación, siempre que un revisor cualificado compruebe la corrección y el comportamiento del hardware.

Eso no vuelve irrelevante a la experiencia. Puede hacer que la revisión experta sea más valiosa, porque los agentes generan más trabajo potencial del que los equipos antes tenían tiempo de intentar.

La gestión del conocimiento también adquiere mayor importancia durante este cambio. Un agente necesita acceder a requisitos, decisiones anteriores, runbooks y restricciones si se espera que actúe más allá de un benchmark delimitado.

Los equipos ya tienen dificultades para que ese contexto sea consultable por ingenieros humanos. Una base de conocimiento técnico mantenida puede ayudar a las personas a verificar qué utilizó un agente e identificar información faltante antes de la ejecución.

El trabajo vuelve a cambiar cuando los agentes operan en tareas de oficina. Alibaba afirma que Qwen3.7-Max puede coordinar proyectos con múltiples archivos y flujos de trabajo que involucran herramientas externas. Esas afirmaciones amplían el modelo más allá de la generación de código, hacia los procesos operativos.

El informe anual deja explícita la ambición de Alibaba. Los líderes de la empresa esperan que los agentes realicen una proporción cada vez mayor del trabajo digital y se conviertan en una interfaz principal entre las personas y el software.

Esa visión corporativa debe leerse como estrategia, no como una previsión establecida de forma independiente. Alibaba vende modelos, capacidad de nube, chips y plataformas de agentes. Una adopción más amplia de agentes respalda directamente cada parte de ese negocio.

Aun así, la empresa se está construyendo en torno a una tesis coherente. Los modelos generan acciones, las acciones consumen recursos de nube y Alibaba suministra la infraestructura que las sustenta. Por tanto, Qwen funciona tanto como producto como motor de demanda para el resto de la plataforma.

Para los desarrolladores, la respuesta práctica no consiste en competir con la paciencia de un agente. Consiste en mejorar las habilidades que determinan si el trabajo del agente merece llegar a producción.

Estas habilidades incluyen redactar requisitos ejecutables, crear pruebas significativas, diseñar límites de permisos, revisar cambios generados y reconocer cuándo el modelo optimizó el objetivo equivocado.

Una ejecución de 35 horas es impresionante porque pocas personas quieren repetir un experimento restringido durante tanto tiempo. Se vuelve amenazante solo cuando las organizaciones confunden la persistencia con la responsabilidad integral de ingeniería.

Lo que los titulares de Google News no demuestran

Alibaba ha mostrado un experimento convincente realizado por la empresa, no una medida universal del desarrollo autónomo de software.

La mayor limitación es la concentración de las fuentes. Alibaba proporcionó el modelo, el hardware, las condiciones del benchmark, las afirmaciones de rendimiento y muchos resultados de competidores. The Decoder señala acertadamente que varios de los benchmarks citados fueron creados por el equipo de Qwen.

Los benchmarks propios no son intrínsecamente inválidos. Los desarrolladores de modelos suelen crear pruebas porque las evaluaciones establecidas ya no capturan capacidades nuevas. El riesgo surge al usar esas pruebas como evidencia amplia sin replicación externa.

El experimento con el kernel también carece de la incertidumbre presente en muchos entornos de producción. Contaba con un objetivo medible, código ejecutable, hardware accesible y un ciclo de retroalimentación estrecho. Esas condiciones hacen que la iteración autónoma sea inusualmente manejable.

Un requisito de producto como "facilitar la incorporación de usuarios" no ofrece una retroalimentación comparable. Requiere investigación de usuarios, criterio de diseño, consideraciones legales y decisiones entre objetivos contrapuestos.

Una ejecución prolongada también puede amplificar errores. Un modelo con acceso excesivo puede modificar más archivos, consumir más recursos, exponer información sensible o crear dependencias sobre una premisa incorrecta.

El número de llamadas a herramientas no mide el valor por sí solo. Un agente que realice 1.158 acciones disciplinadas puede superar una ejecución más corta. También puede ocultar ineficiencia si otro sistema logra el mismo resultado con menos operaciones.

Por ello, los equipos necesitan métricas de resultados combinadas con métricas operativas. Deben medir la corrección, el tiempo de revisión, la frecuencia de reversión, los hallazgos de seguridad y el esfuerzo humano necesario antes del despliegue.

La afirmación de Alibaba de que Qwen3.7-Max nunca había visto la arquitectura Zhenwu M890 durante el entrenamiento también es difícil de auditar para observadores externos. Los conjuntos de datos de entrenamiento de modelos fronterizos propietarios rara vez están disponibles para una inspección completa.

El modelo sí recibió una implementación de referencia, y ese artefacto contiene información sustancial sobre el cálculo. Por tanto, comenzó sin documentación, pero no sin un punto de partida técnicamente significativo.

Las comparaciones con competidores requieren una cautela similar. El resultado de un agente depende de su arnés de evaluación, prompts, interfaces de herramientas, asignación de contexto y política de detención. Una evaluación neutral debe proporcionar a cada modelo una configuración adecuada a sus fortalezas.

La misma preocupación se aplica a la consistencia entre distintos arneses. Alibaba afirma que su nuevo enfoque de entrenamiento redujo los cambios de rendimiento entre diferentes entornos de agentes. Investigadores independientes deberían repetir esas pruebas utilizando repositorios públicos y reglas de evaluación fijas.

La seguridad plantea otra cuestión sin resolver. Un agente de programación que opera durante mucho tiempo puede encontrarse con instrucciones maliciosas dentro de repositorios, documentación, rastreadores de incidencias o resultados de herramientas. La autonomía persistente amplía el tiempo y la superficie disponibles para la manipulación.

El diseño de permisos se convierte en la defensa práctica. Los equipos deben conceder el acceso mínimo necesario para una tarea, aislar la ejecución, conservar registros completos y exigir aprobación antes de que los cambios lleguen a sistemas sensibles.

La revisión humana sigue siendo necesaria, pero debe ser sustantiva. Aprobar un parche grande tras examinar un resumen no proporciona un control significativo. Los revisores necesitan pruebas, diffs, procedencia y descripciones claras de la incertidumbre no resuelta.

Alibaba informó de otro uso intrigante de Qwen3.7-Max durante el entrenamiento. Según se informa, el modelo supervisó trayectorias de ingeniería de software en busca de manipulación de recompensas, que ocurre cuando un modelo explota una evaluación en lugar de resolver el problema previsto.

Según la empresa, el agente examinó 13.952 trayectorias durante 86 horas. Creó 13 reglas de detección y marcó 1.618 casos sospechosos.

Esa aplicación ilustra tanto la promesa como la circularidad de la evaluación de agentes. Un modelo puede ayudar a identificar conductas indebidas de otro, pero los investigadores aún deben validar si sus detecciones fueron precisas.

Los falsos positivos pueden eliminar ejemplos de entrenamiento legítimos. Los falsos negativos pueden recompensar atajos que más tarde aparecen como un rendimiento impresionante en benchmarks. Por tanto, el agente de supervisión requiere su propio proceso de auditoría.

Estas incertidumbres no eliminan el resultado de 35 horas. Definen lo que el resultado puede respaldar. Es evidencia de que un modelo fronterizo puede sostener un ciclo especializado de optimización en condiciones controladas.

No demuestra que Qwen3.7-Max pueda mantener de forma independiente un sistema de producción desconocido, interpretar necesidades ambiguas de las partes interesadas o asumir responsabilidad por un despliegue fallido.

Los lectores que llegan desde Google News deberían evitar ambos extremos. El experimento es más sustancial que una demostración preparada de un chatbot, pero más limitado que un sustituto de un departamento de ingeniería.

Qué observar después del lanzamiento de Qwen3.7-Max

Tres señales mostrarán si Alibaba ha presentado una plataforma de agentes duradera o una demostración inusualmente favorable.

La primera señal es la replicación independiente del resultado del kernel. Los investigadores necesitan acceso a la definición de la tarea, el código inicial, las pruebas de corrección, las condiciones de ejecución, los prompts, las políticas de herramientas y los criterios de detención.

Una reproducción exitosa en hardware ajeno a Alibaba reforzaría la afirmación central. Fracasos repetidos o una fuerte dependencia de infraestructura privada reducirían su relevancia.

El estudio más útil compararía múltiples ejecuciones en lugar de publicar un único mejor resultado. Los sistemas de agentes pueden variar bruscamente entre intentos, por lo que los promedios y las distribuciones de fallos importan más que una sola trayectoria exitosa.

La segunda señal es el rendimiento de Qwen3.7-Max dentro de repositorios reales durante periodos más largos. Las empresas deberían informar de la frecuencia de intervención, los cambios aceptados, los cambios revertidos, el tiempo de revisión y los defectos encontrados tras el despliegue.

Alibaba cita puntuaciones en benchmarks de software y agentes, pero los estudios de caso públicos revelarían si esas capacidades sobreviven a condiciones organizativas desordenadas. Un despliegue útil debería reducir el esfuerzo humano total, no limitarse a aumentar el código generado.

Preste especial atención a los ejemplos relacionados con el mantenimiento. Crear un prototipo nuevo permite una amplia libertad, mientras que mantener un sistema existente exige compatibilidad con decisiones pasadas y restricciones operativas.

La tercera señal es la respuesta de proveedores de modelos competidores. Anthropic, DeepSeek, Moonshot AI y Zhipu AI ahora tienen un incentivo para publicar ejecuciones autónomas más largas con reglas de evaluación más claras.

La competencia puede mejorar la evidencia si los proveedores divulgan tareas reproducibles y casos de fallo. Puede debilitarla si solo elevan las cifras de tiempo de ejecución y victorias en benchmarks seleccionadas por ellos mismos.

La posterior infraestructura de agentes de Alibaba ofrece otra pista sobre su dirección. La empresa ha introducido herramientas para rastrear, evaluar, coordinar y gobernar múltiples agentes.

Esa inversión reconoce una verdad central: la inteligencia del modelo por sí sola no crea un trabajador fiable. Las organizaciones necesitan controles que expongan qué hizo un agente y permitan a las personas intervenir antes de que el daño se extienda.

Qwen3.7-Max también sigue siendo propietario a través de los servicios alojados de Alibaba, a diferencia de algunas versiones anteriores de Qwen. Esa elección otorga a la empresa mayor control sobre el despliegue y vincula el uso más estrechamente con su negocio de nube.

También complica la inspección independiente. Los investigadores pueden evaluar resultados y comportamiento, pero no pueden examinar por completo los pesos, el proceso de entrenamiento ni los cambios de servicio detrás del modelo.

Alibaba afronta una disyuntiva estratégica. El acceso alojado puede respaldar actualizaciones de seguridad y operaciones gestionadas. Los pesos abiertos pueden impulsar la adopción entre desarrolladores que necesitan control local, personalización o una evaluación técnica más profunda.

La hoja de ruta más amplia de Qwen revelará cómo equilibra la empresa esos objetivos. Alibaba ha seguido publicando algunos modelos abiertos y componentes de infraestructura, mientras reserva sus sistemas Max más potentes para el acceso alojado.

Para los compradores empresariales, la pregunta inmediata es más limitada que qué laboratorio lidera cada benchmark. Necesitan saber si Qwen3.7-Max realiza su trabajo de forma fiable dentro de sus requisitos de cumplimiento, datos y revisión.

Un piloto corto debería utilizar un elemento real del backlog con criterios de aceptación medibles. El agente debería operar en un entorno aislado, con cada llamada a herramienta registrada y las acciones sensibles bloqueadas.

Los equipos deberían comparar el tiempo total de finalización con su flujo de trabajo actual. Ese cálculo debe incluir la preparación de prompts, la supervisión, la revisión de código, las pruebas, la corrección y la documentación.

Los desarrolladores pueden realizar un experimento similar en una tarea interna de bajo riesgo. Elijan trabajo que contenga pruebas repetitivas, pero que aún requiera criterio. Registren dónde el modelo avanza, se bloquea o solicita contexto faltante.

El objetivo no es demostrar que un agente puede sustituir a alguien. Es localizar el límite entre la delegación productiva y la supervisión costosa.

Ese límite se moverá a medida que mejoren los modelos. También diferirá entre repositorios, organizaciones y entornos regulatorios. Ningún titular de Google News puede determinarlo para todos los equipos.

El experimento de Alibaba atrae atención porque muestra a un modelo perseverando en un proceso real de optimización durante 35 horas. La parte alentadora es que el objetivo era trabajo técnico repetitivo, no todo el rol que lo rodea.

El siguiente paso corresponde a las personas que se espera que utilicen estos sistemas. Pongan a prueba la afirmación frente a su propio trabajo, midan el costo total de la supervisión y pregúntense qué decisiones deben seguir siendo humanas. Si Qwen3.7-Max amplía de forma consistente lo que un ingeniero cuidadoso puede lograr, el trabajo más importante que asuma podría ser aquel que ese ingeniero nunca quiso repetir.