Matrices de oportunidades

Una clasificación gigante oculta demasiado. El laboratorio conserva cinco vistas. Los valores actuales están publicados en el matrices.md generado; python dogfood.py check falla si el artefacto difiere del registro JSON.

1. Cobertura curso × repositorios

Encuentra transferencias y puntos ciegos. Que una técnica encaje en varios repositorios no significa que todos deban adoptarla.

2. Puntuación de oportunidad

Suma dolor, encaje, valor esperado, evidencia y reversibilidad; resta coste y riesgo. Cada dimensión vale 0–5 y solo ordena la investigación.

• la puntuación no cambia status ni authority;
• una puntuación alta con evidencia débil sigue siendo descubrimiento.

3. Estado de promoción

discovered → experimenting → incubating → integrating → adopted
       └──────────────→ rejected                         → retired

Promover exige artefactos; adopted también exige veredicto confirmado. Los rechazos permanecen para evitar repetir ideas fallidas.

4. Resultados y evidencia

Muestra qué se midió, el artefacto y cuándo revisar la conclusión. Un agente running, comentario o relato plausible no es evidencia.

5. Calidad del método

El método también se somete a dogfooding: ejemplos ejecutables, evidencia del diario, paridad EN/FR/ES, adopción y eficiencia agéntica.

Ejercicio: añadir un candidato sin exagerarlo

Añade dolor observado, alternativa simple y falsador. Mantén discovered hasta tener baseline. Ejecuta python dogfood.py write y python -m unittest -v.