Desarrollo de software con IA

Empezaremos construyendo el modelo mental sobre el que se apoya el resto de la formación. Sin esto, el resto se interpreta como «trucos para ir más rápido».

• Conceptos base. LLMs, prompts, contexto, tokens, ventana de contexto, alucinaciones. Entender la mecánica antes de usar las herramientas.
• De asistentes a agentes. El espectro de herramientas: de autocompletado a agentes autónomos y orquestación multiagente (Copilot, Cursor, Claude Code, Codex). Sirve de marco para situar los niveles de madurez en desarrollo con IA y entender qué implica cada salto para el equipo.
• «La IA ejecuta, tú diriges». Qué cambia realmente en el rol del desarrollador.
• Multiplicador en ambas direcciones. La IA multiplica velocidad si el equipo tiene sistema, y complejidad accidental si no lo tiene.
• Por qué el diferencial será el sistema de trabajo. La eficiencia se comoditizará. Cuando todos usen las mismas herramientas, el diferencial será el criterio técnico, la arquitectura y la cultura de ingeniería.

El cambio fundamental: el desarrollador pasa de escribir código a dirigir research, validar planes y delegar implementación. La calidad se asegura antes de ejecutar, no después.

• Research, Plan, Implement. El ciclo que sustituye al «ask and pray». Cada fase tiene un propósito, un output concreto y una gestión del contexto (Frequent Intentional Compaction) para que el agente no se degrade entre fases.

  • Research como fase clave: acotar qué investiga el agente.
  • Plan como contrato: validar el plan importa más que revisar el código.
  • Subagentes para gestionar fases en vez de un agente saturado.
• Especificar para que ejecute. Anatomía de una buena especificación: contexto, intent (qué aspecto tiene «hecho»), restricciones y criterios de aceptación.
• El código como fuente de verdad. Por qué las specs muy específicas caducan: código > funciones > comentarios > documentación.
• Modos de interacción. Plan vs Ask vs Agent: cuándo usar cada uno.

La IA multiplica lo que el equipo ya tiene. Si tiene buenas prácticas de ingeniería, multiplica velocidad y calidad. Si no las tiene, multiplica complejidad accidental y deuda técnica.

• Por qué la ingeniería es el multiplicador. El diferencial no es la herramienta, es el criterio técnico, la arquitectura y la cultura de ingeniería. Sin buenas prácticas, la IA amplifica problemas en vez de resolverlos.
• Prácticas que se vuelven críticas. Testing como prerrequisito para delegar, arquitectura clara para que el agente sepa dónde poner las cosas, code review adaptado a código generado por IA.
• Guardarraíles como sistema. Tests, tipado, análisis estático, CI y hooks. Sin ellos, la velocidad genera deuda técnica invisible. Con ellos, el agente opera con feedback rápido y automático.
• Seguridad. Prompt injection, filtrado de datos, riesgos reales.

Un equipo necesita un sistema compartido: cómo el agente recibe contexto y qué capacidades tiene. Este módulo cubre ambas capas.

Capa de contexto:

• Cómo dar contexto al agente. Ventana de contexto, rules, progressive disclosure y Agent Harness: qué información necesita el agente, cómo dársela y por qué seleccionar bien el contexto importa más que saturarlo.

Capa de capacidades:

• Skills. Automatizar flujos completos reutilizables.
• MCPs y CLI. Conectar al agente con herramientas y datos externos. Cuándo usar cada uno.
• Hooks. Interceptar y controlar el comportamiento del agente.
• Subagentes y arquitecturas multiagente. Límites del agente único. Patrones de orquestación y coordinación de agentes especializados.
• El repositorio compartido del equipo. Skills, rules, MCPs y plugins como activo colectivo.

Conectar el diagnóstico del propio flujo con las piezas para adoptar la IA en el equipo y mantenerla.

• Mapea tu flujo con Value Stream Mapping (ejercicio práctico). Cada asistente mapea su flujo real e identifica, fase por fase, dónde participa la IA hoy, dónde podría y dónde no aplica:

  • Definición/especificación: research, análisis de requisitos, generación de specs.
  • Diseño/arquitectura: exploración de alternativas, validación de decisiones.
  • Implementación: el ciclo Research, Plan, Implement aplicado.
  • Review: code review asistido, detección de patrones.
  • Testing: generación de tests, cobertura, property-based testing.
  • Deploy/CI: automatización, validación pre-deploy.
• Prioridades de ataque. Por dónde empezar según el mapa.
• Estandarización vs innovación. Cómo equilibrar ambas.
• Estructura de adopción. Exploradores, AI leads, canales de conocimiento compartido.
• Errores comunes. Dejar que cada uno elija todo, saturar de herramientas, no medir.