ember-memory-test/episodes/TRAZA_r4seccion1i1-lo-que-cambi-hoy-la-bscula_S20260828.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md

episode_id	puente_flat	session_code	acto_dialogico	actor_flujo	criticidad_aegis	skill_dominante	fase_proyecto	tipo_semantico	summary_one_line	source_type	trust_boundary	created_at	relectura_tagged	forgejo_commit_sha
2aea2fe9-914b-4ed4-863e-3331ba4db5ee	TRAZA_r4seccion1i1-lo-que-cambi-hoy-la-bscula_S20260828.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD	S20260828.SID3E411925EAA3	informar	multi_actor	low	NONE	operations	troubleshooting	EPISODIO 1 — MNEMO_PRE_DIGEST: [R4.seccion1.I1] Lo que cambió hoy: la báscula ya pesa a la	claude_code	internal	2026-08-29T01:07:31.426721+00:00	false	pending

—

[R4.seccion1.I1] Lo que cambió hoy: la báscula ya pesa a la persona correcta

Durante meses el ecosistema se pesaba con una báscula que medía a otra persona (un motor apagado) con las respuestas del examen escritas por el propio examinado. Ahora hay una que pesa a quien debe, y —esto es lo nuevo— trae un test que verifica que la báscula no miente: si le pones un peso conocido, tiene que marcar ese peso.

Los cuatro controles que más me importan del test, en llano:

Le doy...	Debe decir	Dijo
Ningún acierto	FAIL	✅ FAIL
Acierto por debajo de la base	FAIL	✅ FAIL
Acierto igual a la base	PASS	✅ PASS
Acierto muy superior	MEJORA	✅ MEJORA

Un instrumento que firma PASS con datos degradados es peor que no tener instrumento, porque produce confianza falsa. Este no puede.

Cambio de diseño que vale la pena que sepas: el umbral viejo exigía 70 % y era inalcanzable, así que llevaba meses gritando FAIL — y una alarma que nunca se apaga deja de ser una alarma. El nuevo compara contra la línea base real medida: avisa si empeoramos, confirma si nos mantenemos, y celebra si mejoramos. El 70 % sigue ahí, pero como distancia al objetivo (hoy: 0,259), sin contaminar el veredicto.

★ Insight ───────────────────────────────────── Un gate aspiracional y uno de regresión responden preguntas distintas: "¿llegamos a donde queremos?" vs "¿rompimos algo?". Confundirlos convierte el segundo —el único que sirve a diario— en ruido permanente. La replicación cruzada vale más que aumentar n: dos instrumentos con implementaciones distintas dando 0,140 y 0,148 es mucha más evidencia que un solo instrumento con n=1000. ─────────────────────────────────────────────────

Hallazgo colateral que reparé de paso. El guardián que exige tests para instrumentos nuevos me bloqueó — correctamente en intención, pero por un defecto real: buscaba el test con una búsqueda no recursiva, así que a los instrumentos que viven en subcarpetas los rechazaba aunque trajeran su test al lado. El propio código ya documentaba esta misma clase de fallo ocurrida en agosto ("el guardián castigando a quien le obedece") y había reincidido un nivel más abajo. Lo arreglé con control negativo: ahora reconoce el test legítimo y sigue rechazando lo que no lo tiene (3/3).

—