¿Cómo hemos comprado una empresa? | Podcast de itnig

¿Cómo hemos comprado una empresa? | Podcast de itnig

Este episodio está patrocinado por MyTraffic Analiza ubicaciones, flujo peatonal, tráfico y potencial comercial en segundos con Gini, la herramienta conversacional de MyTraffic.Disfruta de –10 % en la versión Pro con el código ITNIG Pruébalo gratis ahoraDescubre más en la web de MyTraffic o haciendo clic en este enlace : https://hubs.ly/Q044FdNW0 Hablamos con Marcos Muíño, fundador de YepCode, una startup recién adquirida por Factorial, sobre cómo se construye, se vende y se integra una compañía tecnológica dentro de una empresa en plena fase de escala. YepCode nace para resolver un problema muy concreto: permitir que las empresas creen integraciones y automatizaciones de forma más rápida, flexible y segura, sin tener que meter cada nuevo desarrollo dentro del core del producto. Durante la conversación entramos en por qué Factorial decide comprar YepCode, qué papel juegan las integraciones en una compañía SaaS que crece en clientes, países y necesidades operativas, y por qué este tipo de tecnología puede convertirse en una pieza clave para escalar producto. Hablamos de APIs, automatizaciones, agentes de IA, procesos internos y de cómo pasar de integraciones que antes podían tardar meses a flujos mucho más rápidos y adaptables.También hablamos de la adquisición desde el lado más humano y empresarial: cómo se negocia una operación así, qué significa vender tu startup, por qué no se trata solo de comprar software sino de incorporar talento. Una conversación muy interesante sobre M&A, producto, timing, cultura y la diferencia entre cerrar una operación y conseguir que la integración funcione. Además, el episodio marca un nuevo capítulo para Factorial con la apertura de su oficina en A Coruña, impulsada por la incorporación del equipo de YepCode. Una conversación sobre startups, tecnología, integraciones, inteligencia artificial y expansión territorial, con una idea de fondo muy clara: cuando una compañía crece, el verdadero reto no es solo vender más, sino construir la infraestructura que permita seguir escalando. 👉 Suscríbete a Itnig para más conversaciones sobre negocios reales, startups y marcas Index: 00:00:00 — Trailer 00:01:05 — Intro: Factorial compra YepCode 00:01:32 — Qué es YepCode y cómo nace 00:05:26 — Por qué Factorial necesitaba una nueva capa de integraciones 00:10:14 — El problema de escalar integraciones en una SaaS global 00:12:06 — Comprar software vs incorporar un equipo 00:17:10 — Agentes de IA para crear integraciones 00:22:35 — De meses a semanas: acelerar integraciones 00:40:34 — Integrar herramientas sin API 00:52:48 — Factorial abre oficina en A Coruña 00:56:03 — Cómo se compra una empresa 00:59:58 — Por qué firmar es solo el principio 01:00:08 — Por qué YepCode decide vender a Factorial 01:10:30 — Seguir solos, levantar ronda o integrarse en una empresa mayor 01:18:24 — Cómo se cerró la operación

¿Cómo KREA.AI creó su modelo de IA para generar imágenes?| Podcast de itnig #424

Este podcast está patrocinado por Qonto. Si tienes una empresa, sabes que uno de los principales retos es poder mantener el control y ver claras tus finanzas. Pagos por un lado, cobros por otro, facturas en otra plataforma…Con Qonto, centralizas todas las finanzas en un solo lugar: cuenta de empresa remunerada, tarjetas para ti y para tu equipo, gestión de gastos y facturación integradas.Crear tu cuenta, aprobar un gasto, emitir una factura… todo rápido, en una misma solución.Obtén la claridad y el control financiero que necesitas.Abre tu cuenta hoy y empieza gratis. https://qonto.com/es En este episodio del podcast de Itnig hablamos con Víctor Pérez y Diego Rodríguez, cofundadores de KREA, una de las startups más interesantes en la nueva ola de inteligencia artificial generativa. KREA nace con una idea muy clara: construir las herramientas creativas del futuro sobre modelos de IA, permitiendo a diseñadores, artistas, equipos de marketing y creadores generar imágenes, vídeo, 3D y contenido visual de una forma mucho más rápida e intuitiva. Durante la conversación entramos en cómo funciona KREA por dentro: desde la integración de distintos modelos de IA hasta sus propias herramientas de generación en tiempo real, enhancement de imágenes, fine-tuning de estilos y modelos entrenados para casos creativos concretos. También hablamos de cómo está cambiando el trabajo creativo, qué partes del proceso se pueden automatizar y por qué, para ellos, la IA no sustituye la creatividad, sino que permite dedicar más tiempo a las ideas y menos a la ejecución repetitiva. Víctor y Diego explican también la historia detrás de la compañía: cómo empezaron experimentando con modelos generativos antes del boom de la IA, cómo encontraron tracción haciendo accesible research muy reciente al gran público, cómo levantaron financiación en Estados Unidos y por qué acabaron construyendo desde San Francisco. Una historia de producto, velocidad, negociación, talento técnico y decisiones difíciles en uno de los mercados más competitivos del mundo. Además, hablamos del futuro de KREA, de la competencia con gigantes como Google, Meta, Adobe o Canva, del papel del open source, de los costes de computación, de la importancia de los datos y de por qué creen que todavía hay espacio para crear una gran compañía independiente en IA creativa. Una conversación sobre startups, producto, inteligencia artificial y una idea que resume muy bien el episodio: todo se puede hackear. 👉 Suscríbete a Itnig para más conversaciones sobre negocios reales, startups y marcas 🎙️ ¿Quieres participar en el podcast de Itnig o patrocinar uno de los episodios? Aparecer en el podcast: https://tally.so/r/wo1Poe Patrocinar el podcast: https://tally.so/r/3EERLN SOBRE ITNIG: 🐦 X - ⁠https://x.com/itnig 💡 LinkedIn -⁠ https://linkedin.com/company/itnig 📸 Instagram - ⁠https://instagram.com/itnig 💌 Newsletter - ⁠https://itnig.net/newsletter/⁠ 🌐 Web -⁠ https://itnig.net/ ⁠ ESCUCHA NUESTRO PODCAST EN: 🔊 Spotify: ⁠http://bit.ly/itnigspotify⁠ 🎙️ Apple Podcast: ⁠http://bit.ly/itnigapple⁠

Autoresearch: Let AI Agents Run the Experiments You Never Had Time For

Can AI agents do more than write code? David Cortés Fulla, Staff Engineer at Shopify, shows how pi-autoresearch lets agents run autonomous engineering experiments against any measurable metric. The talk follows a real developer pain: slow CI and long feedback loops. Instead of manually trying one-off fixes, autoresearch gives an AI agent a metric — like build time, installspeed, test performance, bundle size, prompts, or skills — and lets it iterate: propose changes, run checks, keep improvements, reject failures, and repeat. David explains how this approach helped Shopify speed up backend CI, generate multiple performance improvements, and automate the kind ofvaluable but boring optimization work thatengineers rarely prioritize over feature development. Agents used to code like us, but faster. Autoresearch lets them run the experiments we never had time for. 👉 Subscribe to Itnig for more conversations about real business, startups and brands. 🎙️ Want to join the Itnig podcast or sponsor one of our episodes? Appear on the podcast: https://tally.so/r/wo1Poe Sponsor the podcast: https://tally.so/r/3EERLN ABOUT ITNIG: 🐦 X - ⁠https://x.com/itnig 💡 LinkedIn -⁠ https://linkedin.com/company/itnig 📸 Instagram - ⁠https://instagram.com/itnig 💌 Newsletter - ⁠https://itnig.net/newsletter/⁠ 🌐 Web -⁠ https://itnig.net/ LISTEN TO OUR PODCAST ON: 🔊 Spotify: ⁠http://bit.ly/itnigspotify⁠ 🎙️ Apple Podcast: ⁠http://bit.ly/itnigapple ⁠00:00:00 Intro & welcome 00:00:05 David introduces himself & his work at Shopify 00:01:16 The problem: slow feedback loops in development 00:04:27 First experiment with pi — tackling build times 00:08:00 First results — 50% faster builds with parallel workers 00:09:24 Live demo: real project walkthrough 00:13:00 How pi researches, iterates and self-improves 00:16:04 Storing ideas for future iterations across model versions 00:18:30 The results go viral: trending on X, 1,000+ stars, 160+ forks 00:20:15 50+ successful internal experiments at Shopify 00:21:11 Beyond speed: running autonomous feature experiments in parallel 00:22:32 Q&A

From Magic to Harness: Building an AI Agent for a 25-Product SaaS Company

What happens when you put an LLM on top of a 25-product SaaS company?   Ilya Zayats, CTO at Factorial, shares the story of building Factorial ONE — an AI agent designed to help users work across HR, payroll, time, talent, finance, IT, documents, permissions, and many other product surfaces.   The first approach looked simple: let the model query the product directly. But the product graph was too large, the GraphQL schema did not fit in context, and the model struggled with product entities, permissions, and stable answers.   The talk follows the evolution from “LLM magic” to a production agent harness: semantic tools, skills, smaller schemas, runtime context, deterministic computation, permissions, and browser-based actions.   The main lesson: useful AI agents are not built by giving the model the whole world. They are built by designing the right harness — context, tools, workflows, permissions, and runtime — so the agent can safely understand the product, take actions, and create new work across it.   Recorded at AI Builders Barcelona.   Speaker: Ilya Zayats, CTO at Factorial   Topics: AI agents, Factorial ONE, SaaS, LLMs, context engineering, tool use, skills, GraphQL, product automation, AI platform, agent harness, enterprise AI

MCP Isn’t Always the Answer: 7 Experiments Building AI Agent Interfaces at PostHog

Georgiy Tarasov, AI Product Engineer at PostHog, shares what PostHog learned from seven experiments building interfaces for AI agents — and why MCP isn’t always the right answer. As customers started asking for “all PostHog AI features in my agent,” PostHog had to rethink how its product should work outside the browser: inside Claude Code, Cursor, Codex, CLIs, MCP clients, and local agent workflows. In this talk, Georgiy walks through PostHog’s experiments with handwritten agent tools, traditional MCP, CLI-first interfaces, MCP with a CLI-like shape, code execution, dynamic toolsets, and SQL-based retrieval. He compares the trade-offs across developer experience, context bloat, tool discovery, token efficiency, latency, eval results, and real customer usage. The core lesson: your new user might not be a human in a browser tab — it might be your customer’s AI agent. 👉 Subscribe to Itnig for more conversations about real business, startups and brands. 🎙️ Want to join the Itnig podcast or sponsor one of our episodes? Appear on the podcast: https://tally.so/r/wo1Poe Sponsor the podcast: https://tally.so/r/3EERLN ABOUT ITNIG: 🐦 X - ⁠https://x.com/itnig 💡 LinkedIn -⁠ https://linkedin.com/company/itnig 📸 Instagram - ⁠https://instagram.com/itnig 💌 Newsletter - ⁠https://itnig.net/newsletter/⁠ 🌐 Web -⁠ https://itnig.net/ LISTEN TO OUR PODCAST ON: 🔊 Spotify: ⁠http://bit.ly/itnigspotify⁠ 🎙️ Apple Podcast: ⁠http://bit.ly/itnigapple ⁠00:00:00 Intro & welcome — AI Builders BCN first edition 00:01:04 Georgiy introduces himself & PostHog 00:02:14 The challenge: shipping AI agents on a complex product 00:04:37 First MCP experiments & why they didn't scale 00:05:26 Token optimization problems & early lessons 00:07:08 Rethinking the approach: sandboxing & unified interfaces 00:08:13 Deep dive: how MCP prompts & instructions really work 00:10:26 Optimizing MCP tools for different model providers 00:12:55 Experiment #1 — grouping tools by intent00:14:15 Switching to a resource-based approach 00:18:24 Advantages & limitations of the code execution approach 00:22:30 MCP with native code execution — Georgiy's favourite 00:25:15 How GitHub optimizes their MCP (grouping by intent) 00:25:43 Agent skills: what they are and why they matter 00:26:43 Building skills with regex, access controls & data 00:27:52 Benchmarking: testing with real vs synthetic data 00:29:38 Results & what actually worked in production 00:31:35 Key takeaways & closing thoughts 00:31:43 Q&A 00:36:29 End Recorded at AI Builders Barcelona. Speaker: Georgiy Tarasov, AI Product Engineer at PostHog Topics: MCP, AI agents, Claude Code, Cursor, Codex, CLI, codegen, agent interfaces, developer tools, PostHog, AI engineering