La línea que mata el «la IA escribe código sucio»: el número de la suite de pruebas.
La velocidad honesta incluye el momento en que cambiamos de estrategia, en público.
Un producto para abogados tiene un problema de puerta: cualquiera puede marcar la casilla que dice 'soy abogado'. En LexPro el registro ya no se cree la casilla —la verifica contra el registro público, con una IA como portero y un estado visible mientras decide.
En el diario del fundador apareció una entrada incómoda: un día entero puliendo la casa en vez de construir el producto. Lo fácil era no contarlo. Lo honesto era contarlo con la pregunta incluida: ¿era el trabajo, o era esconderse del trabajo?
La inferencia pesada del holding no corre en un datacenter: corre en una flotilla de computadores del propio equipo, instalada con un gestor de paquetes. Lo difícil no fue repartir el trabajo. Fue que un portátil pareciera vivo mientras pensaba.
Las asambleas online de Propi pasaron a producción con sala de video en vivo, quórum y control de palabra. La parte difícil de creer no es el video: es que un agente de voz se une como un miembro más, habla en español, y al cerrar la reunión el acta se redacta sola —pero el número que obliga sale de la base de datos, no del modelo, y la firma sigue siendo de un humano.
El primer movimiento de cualquier venta es escuchar al otro en sus palabras, no en las tuyas. Automatizamos ese movimiento: un worker visita la página de la empresa, la lee y la resume en dos a cuatro frases —o dice que no hay nada que leer.
La columna de autor tiene exactamente un nombre. Esa línea es todo el recibo.
Cada servicio tenía su propia forma de registrar logs, errores y rendimiento —o no tenía ninguna. En una tarde apuntamos doce al mismo SDK. La observabilidad dejó de ser una decisión por servicio para ser una dependencia compartida.
LexPro pasó de azul-marino-y-dorado a tinta-crema-y-ámbar en 196 archivos. No editamos 196 archivos a mano: cambiamos los tokens y el resto cayó solo. Ese es el truco —y la única razón por la que un rediseño se sostiene.
Durante semanas parchamos producción en vivo y no lo escribimos en ningún lado. Un día el deploy se negó a aplicar limpio —porque lo vivo ya no coincidía con lo declarado—. El arreglo fueron seis líneas. El problema era de fondo.
Teníamos topes de envío y una pausa automática para no quemar la reputación de un dominio. El detalle incómodo: solo gobernaban el correo de prueba. Los envíos reales pasaban de largo.
Lanzamos nuestro propio sistema de feature-flags. La regla número uno no es una pantalla ni una API —es un default: una función recién desplegada no hace nada hasta que alguien la prende a propósito, ambiente por ambiente.
No se cayó con una alarma roja ni con un stack trace. Simplemente no llegaba —y el sistema seguía marcando verde. El bug que da miedo es el que no dice nada.
El reflejo cuando creces es sumar: otra cola, otro caché, otra base. Hicimos lo contrario —y el sistema quedó más simple, no más frágil.
El motor de agentes aprendió a darle a cada trabajo su propia VM. De la 0.1.0 a la 0.3.0 entre la medianoche y el amanecer — con lo feo incluido.
Probando nuestro propio auto-respondedor, pidió precios y la IA contestó: 'un compañero te va a contactar enseguida'. No existía ningún handoff. Así lo arreglamos.
El loop completo corrió en producción por primera vez: generar, evaluar sin humo, dejar en cola. Falta el paso que no se puede fingir.
Amplifica vivía con precios de lanzamiento. Desde hoy la página dice $5,000 y $8,000. No es un A/B test silencioso: es un cambio de ancla, en público.
Subimos un producto que mantenemos de Rails 7.1 a 8 y de Ruby 3.2 a 3.4. Lo difícil no fue el salto; fue todo lo que el salto destapó.
Integramos cobros con tarjeta, PSE y más; lo probamos de punta a punta en sandbox. Funcionó hasta una pared que pone el proveedor, no el código.
Construimos un motor de rodamientos para una operación de transporte y corrimos 30 días simulados con la flota real. El motor funciona. El hallazgo incómodo no era del motor.
Cercar al stub que respondía basura fue el primer arreglo. El segundo fue más incómodo: descubrir que repartir por orden de llegada tampoco era justo.
Casi todos califican un lead una vez y lo congelan. El nuestro se re-califica con cada mensaje — y la decisión de pasarlo a un humano la toma el sistema, no el modelo.
El lazo existía hace días: métrica rompe umbral, se dispara una señal, un agente investiga. Pero el interruptor de responder solo estaba apagado. Lo encendimos.
Una base de datos compartida se saturó y la latencia se disparó. No compramos máquina a ciegas: medimos, abrimos el embudo y publicamos el número incómodo.
Definimos una voz para Browq —sin emojis— y la única prueba de que iba en serio fue borrar, uno por uno, cada emoji del producto. Hasta el test que exigía uno.
Lo aburrido de un holding: un mismo SDK de observabilidad en siete productos. Y la ironía de que lo más ruidoso en los logs era justo la herramienta que vigila los logs.
No abrimos 30 productos sueltos. Construimos una consola y los productos entran por ahí —y lo que todavía no está conectado, está en gris.
Amplifica calificaba cada borrador con un número de confianza. Ese número lo inventaba el mismo modelo que escribía el texto. Lo borramos.
Sabíamos QUE nuestros agentes devolvían basura. No sabíamos POR QUÉ seguía pasando. La causa era una carrera que el impostor siempre ganaba.
Nuestro propio panel gritaba “error” por todo. En vez de silenciarlo, abrimos la causa.
Un worker con la sesión vencida devolvía su error como si fuera el resultado. Lo caro no fue el bug — fue que decía que todo estaba bien.
Un substrato, varios productos, un equipo pequeño. La IA ejecuta; el humano dirige. Esto es el modelo.
La mayoría le atornilla la IA a un producto viejo. Nativo significa otra cosa — y se ve en el commit uno.
La constancia no es heroísmo. Es haber bajado tanto el costo de empezar que un producto cabe en días.
El pipeline de deploy más rápido que tuvimos duró un día. Lo contamos igual.
Estamos en precalentamiento. El recibo honesto no es el ingreso — es el git.
Cinco preguntas que separan un producto real de una grabación de pantalla.