La IA en Francium

Los ingenieros dirigen. La IA construye.

Construimos con IA cada día y llevamos la IA a los productos que entregamos a nuestros clientes. Los ingenieros deciden qué se construye, en qué orden y con qué compromisos. La IA hace el trabajo pesado. Las mismas revisiones, la misma CI, más ambición.

El principio clave

El contexto es
el multiplicador.

La calidad de lo que construye una IA crece con el contexto que recibe. Un prompt de una línea obtiene una respuesta genérica. Un briefing completo obtiene un trabajo que encaja.

  1. Prompt mínimo
  2. + Documentación
  3. + Código
  4. + Interfaz e historial
  5. Contexto completo
Calidad del resultado: crece con cada capa de contexto aportado.

1Mtokens en una sola conversación

Qué significa contexto completo.

Todo lo que un ingeniero querría tener antes de tocar el código, cargado en una sola conversación que la IA mantiene en su memoria de trabajo.

  • Documentos de requisitos
  • El código
  • Capturas de pantalla
  • Maquetas de la interfaz
  • Historial de Git
  • Resultados de las pruebas
  • Comentarios de revisión
  • Feedback de los interesados

La misma tarea, dos prompts

Una línea
frente a un briefing.

Una tarea real: desenredar una dependencia de código abierto que lleva años bifurcada. La petición es la misma. El contexto, no.

Superficial

Arregla el problema sistémico de la dependencia bifurcada. Propón un plan.

La IA no sabe cuál es la dependencia, por qué es un problema ni qué prefieres tú. Responde con una auditoría genérica.

Profundo

Este proyecto tiene un problema sistémico: una dependencia que se bifurcó de un proyecto de código abierto hace años. El fork la congeló en el tiempo y desde entonces se ha construido mucho encima.

Averigua de qué versión original se bifurcó y todos los cambios que se le aplicaron después. Entiende qué hace cada uno y cómo se usa hoy. Sé exhaustivo.

Después valoraremos opciones, y puedes proponer las tuyas. Las que tengo en mente:

  • Reescribir lo que hace como un servicio pequeño e independiente.
  • Reescribirlo como un proyecto nuevo sin base de código abierto.
  • Pasar al sucesor que mantiene la comunidad y llevar nuestros cambios como una capa fina encima.

Piensa como un arquitecto sénior. Un proyecto así nunca debería bifurcarse; como mucho, se parchea en el sitio y se cubre el parche con pruebas, para que el proyecto original pueda avanzar y las pruebas sigan protegiendo nuestros cambios.

Dime si algo de esto no tiene sentido.

Ahora la IA conoce el problema, la filosofía de arquitectura, tres opciones concretas y el nivel de calidad exigido. Un prompt, un análisis a fondo y una recomendación.

El ciclo de feedback

Se mide en minutos,
no en semanas.

En el tiempo que tarda un ciclo tradicional en devolver feedback, el ciclo asistido por IA ya ha dado una vuelta tras otra. Cada vuelta es pequeña, y cada una se revisa.

TradicionalDías o semanas

  1. Requisitos
  2. Ticket
  3. Diseño
  4. Código
  5. Pull request
  6. Feedback

Con IAMinutos

  1. Describir
  2. Crear
  3. Ver
  4. Ajustar
  5. Repetir
Tradicional: Requisitos, Ticket, Diseño, Código, Pull request, Feedback, días o semanas. Con IA: Describir, Crear, Ver, Ajustar, minutos, muchas veces en el mismo intervalo.

700+iteraciones solo en el prototipo navegable

No es un prompt y una respuesta. Es una conversación: párrafos de contexto, capturas de lo que se ve mal, una corrección que lleva segundos, y así hasta que queda bien.

El enfoque

Explorar, planificar
y después construir.

La exploración se mantiene separada de la implementación, para que el feedback llegue antes de escribir código de producción.

  1. 01

    Explorar

    Feedback en minutos

    La IA construye un prototipo navegable y desechable directamente a partir de los requisitos. Lo publicamos y los interesados lo recorren, así todo el mundo reacciona a lo mismo.

  2. 02

    Planificar

    Dirigido por ingenieros

    Los ingenieros dividen el trabajo en fases de entrega según las dependencias técnicas, para que llegue a producción por incrementos y no de un solo salto.

  3. 03

    Construir

    El mismo proceso de PR

    Ahora la IA tiene el contexto completo: documentos, prototipo, feedback, código e historial de revisiones. Llega el código de producción, revisado como cualquier otro.

La revisión de código como contexto

Siete comentarios,
una sesión.

Los comentarios de revisión también son contexto. En una pull request, todos los comentarios pasaron a la IA a la vez y una sola refactorización los resolvió todos.

  1. 01No toques los feature flags existentes.
  2. 02Limita cada consulta al dispositivo.
  3. 03Elige la fuente de datos según el plan del cliente.
  4. 04Aísla la nueva funcionalidad en su propia ruta.
  5. 05Pasa las direcciones de prueba fijas en el código a la configuración.
  6. 06Confirma la licencia de las teselas del mapa.
  7. 07Añade una opción por cliente en el formulario de administración.

Una sesión de refactorización

Los siete, resueltos a la vez.

Y después, de nuevo por la misma revisión, como cualquier otro cambio.

La base

Prepara el proyecto
para la IA.

Una inversión única que se amortiza en cada funcionalidad posterior. Si la IA no puede arrancar, ejecutar y probar el proyecto por su cuenta, el ingeniero se convierte en el cuello de botella.

tu-proyecto/

  • Makefile

    Arranque con un solo comando

    Un solo comando levanta todo el stack, para que la IA pueda ejecutar lo que construye.

  • AGENTS.md

    Un briefing para el agente

    Arquitectura, comandos y convenciones, que se leen al empezar cada sesión.

  • tests/

    Pruebas rápidas

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

  • PROGRESS.md

    Contexto persistente

    Notas de avance y de estrategia que sobreviven entre sesiones, para que el conocimiento se acumule.

Cómo salió

Una plataforma de seguridad empresarial.

De más de 40 documentos de requisitos a producción, en cuatro fases y con el mismo proceso de revisión que cualquier otra funcionalidad.

  1. Fase 1

    Prototipo navegable

    8 páginas a partir de más de 40 documentos de requisitos, publicadas para recoger el feedback de los interesados.

  2. Fase 2

    Plataforma base

    Panel, incidentes y activos, con detección en tiempo real.

  3. Fase 3

    Detección avanzada

    Más motores de detección, perfiles de comportamiento de referencia, detalle de activos y la cronología del ataque.

  4. Fase 4

    Acciones de respuesta

    A la espera del hardware del firewall.

El único bloqueo fue el hardware externo.

Todo lo que se podía construir con código se construyó. Las mismas pull requests, las mismas revisiones, el mismo pipeline de CI.

IA en tu producto

Y llevamos la IA
a los productos.

Los mismos ingenieros integran modelos en los productos de nuestros clientes. Usamos la herramienta que pide el problema, la medimos frente a una referencia sencilla y conocemos el coste de cada petición.

  1. 01

    Machine learning

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

    Python · scikit-learn · TensorFlow · PyTorch

  2. 02

    Visión artificial

    Clasificación, detección e inspección de imágenes, además de comprensión de documentos: leer escaneos, formularios y facturas y convertirlos en datos estructurados en los que un sistema pueda confiar.

    Detección · OCR · Extracción de documentos

  3. 03

    Procesamiento del lenguaje natural

    Clasificación, extracción de entidades, análisis de sentimiento y búsqueda sobre texto. Modelos pequeños y específicos cuando son más baratos y predecibles que uno general.

    Clasificación de texto · NER · Búsqueda

  4. 04

    Funcionalidades con LLM

    Búsqueda sobre tus propios documentos, resúmenes, redacción y asistentes dentro de productos existentes. Con conjuntos de evaluación, salvaguardas y un coste conocido por petición.

    RAG · Uso de herramientas · Evaluación · Salvaguardas

  5. 05

    Pipelines de datos y MLOps

    Pipelines de ingesta, variables y entrenamiento, despliegue y monitorización de modelos. La fontanería poco vistosa que decide si un modelo sigue funcionando dentro de seis meses.

    Batch y streaming · Model serving · Monitorización

Casos de uso

Donde de verdad aporta.

Problemas que abordamos, con una nota donde ya hemos entregado uno.

  • Procesamiento de documentos

    Analiza, clasifica y extrae información de documentos a gran escala, con una persona en el circuito para los casos de baja confianza.

    En producciónUn pipeline de documentos con un paso de ML integrado, que pasó de unos 15 minutos por documento, de uno en uno, a menos de un minuto y sin límite de trabajos en paralelo.

  • Segmentación de clientes

    Agrupa a los clientes por comportamiento e historial de compras para que las promociones, los precios y las campañas encajen con cada segmento.

    En producciónSegmentación para retail sobre un año de historial de compras con Google Dataflow y TensorFlow.

  • Búsqueda sobre tu propio conocimiento

    Responde preguntas a partir de manuales, políticas, tickets y wikis, citando el párrafo de origen.

  • Datos web a escala

    Recoge y normaliza datos públicos de muchas fuentes y encuentra después los patrones que importan al negocio.

    En producciónRecogida concurrente en decenas de miles de webs, con monitorización y una capa de servicio limpia.

  • Asistentes de soporte y operaciones

    Redacta respuestas, clasifica tickets y resume 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 ciclo de feedback durara minutos. Te responderá un ingeniero.