Empezar un proyecto

Todas las prácticas / 01

Nuestros ingenieros marcan el rumbo.La IA hincha las velas.

Los navegantes árabes cruzaban océanos leyendo las estrellas mientras el viento hacía el trabajo duro. Nosotros construimos igual. Los ingenieros eligen el destino, la ruta y las concesiones. La IA lleva la carga. Cada cambio pasa por las mismas revisiones y el mismo pipeline.

Más allá de la etiqueta

La pregunta difícil no es si usar IA. Es dónde no usarla.

Hoy todo el mundo tiene una página de IA, y casi todas describen lo mismo: un chatbot. El trabajo de verdad empieza con criterio. Qué modelo encaja en este trabajo, en qué etapa del proceso, y dónde una regla sencilla, una consulta a la base de datos o una persona lo harán mejor y más barato.

Lo habitual

  • Un chatbot añadido a todo
  • Un modelo popular para cada problema
  • Un prompt ingenioso, y cruzar los dedos
  • IA en todas partes, solo porque se puede
  • Ni idea de cuánto cuesta cada petición

Cómo decide FR87

  • Qué modelo: frontera, fundacional o de pesos abiertos, probado con tu tarea
  • Cuándo: el paso exacto del proceso en el que la IA se gana su sitio
  • Dónde no: los pasos en los que mandan las reglas, el código o las personas
  • Cuánto: un coste y una latencia conocidos por petición
  • Dónde se ejecuta: en nuestro propio hardware cuando tus datos no pueden salir de casa

Potencia sin control

Una bicicleta perdona los errores. Un cohete, no.

Antes de la IA, un equipo descuidado solo podía ir hasta cierta velocidad, así que sus errores eran pequeños. La IA cambia la escala. Muchas empresas sacan a toda prisa lo que genera el modelo, y esa morralla hecha con IA (lo que en inglés llaman AI slop) avanza igual de rápido: código que nadie entiende, funciones que nadie ha revisado, productos que van directos a estrellarse. La potencia es real, y precisamente por eso saber pilotarla importa más que nunca.

  1. Un ciclista despistado se tambalea con la vista en el móvil y se topa con una palmera. Poca velocidad, un golpe pequeño, apenas daños.

  2. El mismo ciclista, ahora a lomos de un cohete. Velocidad enorme, sin plan y sin controles. Se desvía, y el choque es tan grande como la potencia.

  3. El mismo cohete, con plan de vuelo, comprobaciones y un equipo que revisa cada paso. Así trabajamos: la misma potencia, pilotada hasta donde querías llegar.

Antes de la IA: una bicicleta: Un ciclista despistado se tambalea con la vista en el móvil y se topa con una palmera. Poca velocidad, un golpe pequeño, apenas daños. IA usada sin cuidado: El mismo ciclista, ahora a lomos de un cohete. Velocidad enorme, sin plan y sin controles. Se desvía, y el choque es tan grande como la potencia. IA con FR87: El mismo cohete, con plan de vuelo, comprobaciones y un equipo que revisa cada paso. Así trabajamos: la misma potencia, pilotada hasta donde querías llegar.

Por qué un solo prompt nunca basta

La IA no consulta datos. Hace su mejor apuesta.

Si haces la misma pregunta dos veces a una IA, puedes obtener dos respuestas distintas. No lee de una base de datos. Predice la siguiente palabra más probable, una y otra vez, y eso la hace brillante e imprevisible a la vez. Como en el tiro con arco, una flecha suelta puede caer en cualquier sitio. La buena puntería nace de un blanco claro, práctica y un pulso firme.

  1. Un briefing claro
  2. Ejemplos resueltos
  3. Comprobaciones automáticas
  4. Muchas rondas
  5. Una persona que revisa

1Un prompt, sin guía

Las flechas caen por toda la diana. A veces impresionan, nunca son fiables.

Nuestro propio taller

Desmontamos los modelos antes de ponerlos a trabajar.

Nuestro equipo de investigación y desarrollo pasa los días con los propios modelos: ejecutándolos, comparándolos y exigiéndoles hasta saber dónde brilla cada uno y dónde falla.

1

Modelos frontera

Los modelos comerciales más grandes, usados cuando su razonamiento compensa el precio.

2

Modelos fundacionales

Modelos base adaptados y ajustados a una tarea y un vocabulario concretos.

3

Modelos de pesos abiertos

Modelos que podemos inspeccionar, ajustar y ejecutar en cualquier sitio, incluso sin conexión.

4

Hardware propio

Nuestras propias máquinas para ejecutar modelos en casa, para que los datos sensibles nunca salgan del edificio.

5

Pruebas comparativas

Cada modelo se evalúa con tu tarea real antes de recomendarlo, no con una clasificación pública.

El primer principio

Cuanto más lleno el majlis, mejor el consejo.

En un majlis, el buen consejo nace de que todos los presentes compartan lo que saben. Con la IA pasa lo mismo. Una sola línea obtiene una suposición. Un briefing completo obtiene trabajo que encaja en tu producto.

  1. Una sola línea
  2. + Documentos
  3. + El código
  4. + Diseños e historial
  5. Contexto completo
Calidad del trabajo / Contexto compartido

1Mtokens en una sola conversación

Todo sobre la mesa.

Todo el material que pediría un ingeniero sénior antes de tocar el código, reunido en una conversación que la IA mantiene presente.

  • Documentos de requisitos
  • El código
  • Capturas de pantalla
  • Diseños de interfaz
  • Historial de cambios
  • Resultados de pruebas
  • Notas de revisión
  • Opiniones de los interesados

Una tarea, dos maneras de pedirla

Un comentario de pasada, o un briefing de verdad.

Aquí nadie habla de negocios antes de servir el café. La misma cortesía funciona con la IA. Esta es una tarea real, una dependencia de código abierto bifurcada hace años y nunca reintegrada, pedida de dos maneras.

De pasada

Arregla el problema de nuestra librería bifurcada y propón un plan.

Sin saber qué librería es, por qué molesta ni qué valoras, la IA devuelve una lista genérica.

Un briefing de verdad

Hace años este proyecto bifurcó una librería de código abierto. La bifurcación la dejó congelada, y ahora mucho de nuestro trabajo se apoya en ella.

Averigua de qué versión original partimos y enumera cada cambio que hicimos desde entonces. Explica qué hace cada uno y dónde se usa hoy. No te dejes nada.

Después compararemos opciones, y puedes proponer las tuyas. Estas son las que estoy valorando:

  • Sustituir lo que hace por un servicio pequeño e independiente.
  • Reconstruirla como un proyecto limpio sin base de código abierto.
  • Adoptar el sucesor mantenido y conservar nuestros cambios como una capa fina encima.

Piensa como un arquitecto principal. Una librería así nunca debió bifurcarse. Como mucho, debió parchearse en su sitio con pruebas alrededor del parche, para que el proyecto original avance y las pruebas sigan protegiendo nuestros cambios.

Dime si algo de esto no te parece bien.

Ahora la IA conoce el problema, cómo nos gusta construir, tres opciones reales y el nivel que esperamos. Un mensaje, un estudio a fondo y una recomendación clara.

El ciclo de feedback

La caravana y el halcón.

Un ciclo de entrega tradicional avanza al ritmo de una caravana: constante, y con semanas entre oasis. Un ciclo con IA se mueve como un halcón. Cuando la caravana ha hecho una parada, el halcón ya ha ido y vuelto muchas veces, y cada vuelo se ve.

La caravanaDías o semanas
  1. Especificación
  2. Ticket
  3. Diseño
  4. Desarrollo
  5. Pull request
  6. Feedback
El halcónMinutos
  1. Describir
  2. Construir
  3. Mirar
  4. Ajustar
  5. otra vez
La caravana: Días o semanas. El halcón: Minutos.

Minutosdesde un comentario hasta la siguiente versión en pantalla

No es una petición y una respuesta, sino una conversación: contexto en párrafos, una captura de lo que no cuadra, un arreglo en segundos, una y otra vez hasta que está bien.

El método

Explorar, trazar y después construir.

Separamos la exploración de la construcción, para que el feedback llegue antes de escribir código de producción.

Explorar

Solo con los requisitos, la IA construye un prototipo navegable y desechable. Lo publicamos y todos reaccionan a la misma pantalla.

Feedback en minutos
Trazar

Los ingenieros dividen el trabajo en fases de entrega según sus dependencias técnicas, para llegar a producción paso a paso y no de un salto.

Liderado por ingenieros
Construir

Ahora la IA tiene la imagen completa: documentos, prototipo, feedback, código e historial de revisiones. Llega el código de producción y se revisa como cualquier otro cambio.

Los pull requests de siempre

Las notas de revisión también son contexto

Siete hilos, un solo tejido.

Como los hilos del tejido Al Sadu, las notas de revisión son más fuertes juntas. En un pull request entregamos los siete comentarios a la IA a la vez, y una sola refactorización respondió a todos.

  1. 1No toques los feature flags existentes.
  2. 2Limita cada consulta al dispositivo actual.
  3. 3Elige la fuente de datos según el plan del cliente.
  4. 4Dale a la nueva funcionalidad su propia ruta.
  5. 5Saca las direcciones de prueba del código y llévalas a la configuración.
  6. 6Revisa la licencia de los mapas.
  7. 7Añade un interruptor por cliente en la pantalla de administración.

Una sola refactorización

Los siete, tejidos juntos.

Después pasó por la misma revisión que cualquier otro cambio.

Antes de que lleguen los invitados

Prepara el majlis.

Un buen anfitrión lo tiene todo listo antes de que entre nadie. Preparar un proyecto para la IA es un esfuerzo único que se amortiza en cada funcionalidad posterior. Si la IA no puede arrancar, ejecutar y probar el proyecto por sí sola, el ingeniero se convierte en el cuello de botella.

tu-proyecto/

  • Makefile

    Arranca con un comando

    Todo el sistema se levanta con un solo comando, para que la IA pueda ejecutar lo que construye.

  • AGENTS.md

    Un briefing para el agente

    Arquitectura, comandos y normas de la casa, leídos al inicio de cada sesión.

  • tests/

    Pruebas rápidas

    La IA escribe y después se comprueba. Segundos de feedback, no minutos.

  • PROGRESS.md

    Memoria entre sesiones

    Notas de avance y estrategia que se conservan, para que el conocimiento se acumule en lugar de empezar de cero.

Un recorrido habitual

De un montón de documentos a producción.

Un ejemplo de cómo suele avanzar un gran desarrollo con nosotros: cuatro etapas, cada una con el mismo proceso de revisión que cualquier otro trabajo.

Prototipo navegable

Pantallas construidas directamente a partir de tus documentos de requisitos y publicadas para que todos reaccionen a lo mismo.

Etapa 1
Plataforma central

Los flujos principales, de principio a fin, funcionando con datos reales.

Etapa 2
Funcionalidades avanzadas

Las capacidades más complejas, construidas sobre una base ya probada.

Etapa 3
Dependencias externas

Hardware, accesos o un proveedor externo: lo que no depende del código.

Etapa 4

A menudo, lo único que queda por esperar está fuera del código.

Todo lo que se puede construir con código se construye. Mismos pull requests, mismas revisiones, mismo pipeline.

IA dentro de tu producto

Y construimos IA en lo que vendes.

Los mismos ingenieros integran modelos en los productos de nuestros clientes. Elegimos la herramienta que el problema necesita de verdad, la medimos frente a una referencia sencilla y sabemos cuánto cuesta cada petición.

1

Aprendizaje automático

Previsión, segmentación, scoring y clasificación con tus propios datos. A menudo buenas variables y árboles con gradient boosting, a veces deep learning, siempre comparado con una referencia sencilla.

Python · scikit-learn · TensorFlow · PyTorch

2

Visión artificial

Clasificar, detectar e inspeccionar imágenes, y leer documentos: escaneos, formularios y facturas convertidos en datos estructurados fiables.

Detección · OCR · Extracción de documentos

3

Lenguaje y texto

Clasificación, extracción de entidades, sentimiento y búsqueda en texto. Modelos pequeños para una sola tarea cuando son más baratos y predecibles que uno general.

Clasificación · Entidades · Búsqueda

4

Funcionalidades con LLM

Búsqueda en tus propios documentos, resúmenes, redacción y asistentes dentro de los productos que ya usas. Con conjuntos de evaluación, salvaguardas y un coste conocido por petición.

Recuperación · Herramientas · Evaluación · Salvaguardas

5

Pipelines de datos y MLOps

Ingesta, pipelines de variables y entrenamiento, despliegue y monitorización. La fontanería discreta que decide si un modelo sigue funcionando dentro de seis meses.

Batch y streaming · Despliegue · Monitorización

Donde se amortiza

Problemas que abordamos.

Una selección de los problemas que abordamos.

  • Procesamiento de documentos

    Leer, clasificar y extraer datos de documentos en volumen, con una persona revisando los casos en los que el modelo duda.

  • Segmentación de clientes

    Agrupar clientes por comportamiento e historial de compras para que ofertas, precios y comunicaciones encajen con cada grupo.

  • Respuestas desde tu propio conocimiento

    Responder preguntas a partir de manuales, políticas, tickets y wikis, con un enlace al párrafo exacto.

  • Datos públicos a escala

    Recopilar y limpiar datos públicos de muchas fuentes y sacar a la luz los patrones que importan al negocio.

  • Asistentes de soporte y operaciones

    Redactar respuestas, clasificar tickets y resumir hilos largos dentro de las herramientas que tu equipo ya usa.

  • Previsión

    Previsiones de demanda, carga y riesgo que los planificadores pueden leer, cuestionar y corregir.

Tráenos la versión ambiciosa.

Cuéntanos qué construirías si el feedback llegara en minutos y no en semanas. Te responderá un ingeniero.