Saltar al contenido principal

Fase 4 — Maestría: construyendo, escalando, gobernando

Duración: 5 semanas · Dedicación: 8–10h/semana · Caminos: esencial para 🔵🟣 · camino 🟢 puede enfocarse en M21, M22, M24 Prerrequisito: Fase 3 completada (ya construyes servidores MCP, subagentes, hooks, Skills y plugins). Foco principal: Claude Code · Conceptos transferibles: marcados con 🌐.

Objetivo de la fase​

Salir de "uso y extiendo Claude Code" hacia "construyo agentes propios, mido impacto, lidero adopción y gobierno riesgos". Esta es la fase donde el conocimiento técnico de las fases anteriores se traduce en decisiones de producto, equipo y empresa.

Al final de esta fase puedes:

  • Construir agentes customizados desde cero con Claude Agent SDK (no Claude Code, sino la biblioteca base a partir de la cual está construido)
  • Orquestar multi-agente con patrones evaluados en producción
  • Evaluar la salida de agentes con evals programáticos integrados en CI
  • Reducir el costo de uso en 40–70% con técnicas comprobadas
  • Medir la productividad real con métricas más allá de "vibes"
  • Navegar con claridad los riesgos legales y de IP de código generado por IA
  • Definir políticas de gobernanza enterprise para el uso de Claude Code
  • Liderar la adopción en equipo sin convertirte en un evangelista aburrido
  • Saber cuándo NO usar Claude Code y qué alternativa funciona mejor

Convenciones​

  • Tipo: 📚 Doc oficial · 📖 Artículo/Paper · 🎓 Curso · 🎬 Video/Podcast · 🛠️ Hands-on/Repositorio
  • Idioma: [PT] portugués · [EN] inglés
  • Costo: [Gratis] · [Pago] · [Freemium]
  • ⭐ esencial · 🌐 concepto universal (transferible a cualquier agente)

M19 · Claude Agent SDK

Por qué este módulo​

Atención a la terminología: el Claude Code SDK fue renombrado a Claude Agent SDK en 2025. La motivación: el SDK no es solo sobre código — es la misma base que Anthropic usa internamente para construir Claude Code, y puedes usarlo para construir cualquier agente (atención al cliente, finanzas, devops, legal, etc.).

Diferencia clave respecto a Claude Code:

  • Claude Code es un producto listo (CLI + extensiones + plugins IDE)
  • Claude Agent SDK es la biblioteca que te permite construir tu propio Claude Code para tu dominio

Cuándo construir con el SDK en lugar de extender Claude Code vía plugins:

  • Necesitas UI customizada (web, mobile, voz)
  • Necesitas flujos no-coding (atención, análisis, briefing)
  • Necesitas empaquetarlo como producto para clientes
  • Necesitas control total sobre el loop de ejecución

Tópicos​

  • Diferencia entre Claude Code (producto), Claude Agent SDK (biblioteca para agentes), y Anthropic Messages API (un nivel más bajo todavía)
  • Instalación del SDK en Python (anthropic-claude-agent-sdk) y TypeScript (@anthropic-ai/claude-agent-sdk)
  • Estructura de un agente con SDK: system prompt, tools, loop, gestión de contexto
  • Tools nativas (file ops, bash, web search) ya disponibles
  • Streaming, tool calling estructurado, gestión de sesiones
  • Integración con MCP (servidor MCP también funciona en SDK)
  • Deploy: serverless, container, edge

Materiales​

Documentación oficial ⭐​

Conceptual ⭐​

Tutoriales prácticos ⭐​

Para escala​

Ejercicio práctico​

Construye un agente customizado para un problema real tuyo que no es puramente coding. Sugerencias:

  • Agente de triage de tickets de soporte que clasifica, prioriza y responde primero
  • Agente de análisis financiero que lee facturas y genera reportes
  • Agente de investigación de mercado que busca, sumariza y cita
  • Agente de QA que ejecuta casos de prueba manuales vía Playwright (MCP)

Requisitos:

  • Usa Claude Agent SDK (Python o TypeScript)
  • Al menos 2 tools customizadas
  • Al menos 1 servidor MCP integrado
  • Deploy mínimo (CLI o web simple)
  • README con arquitectura y ejemplos
  • Documenta en learnings-agent-sdk.md

Definition of Done​

  • Construiste al menos 1 agente propio con Claude Agent SDK
  • Sabes la diferencia entre SDK y Claude Code (y cuándo usar cada uno)
  • Sabes la diferencia entre Agent SDK y Messages API (una capa abajo)
  • Tienes tu agente corriendo en algún ambiente real

M20 · Orquestación multi-agente con Claude Code

Por qué este módulo​

🌐 Multi-agente es universal. Los 5 patrones del paper Building Effective Agents (prompt chaining, routing, parallelization, orchestrator-workers, evaluator-optimizer) funcionan en cualquier framework. En Claude Code los implementas vía subagentes + Agent Teams (recurso de Feb/2026); en el SDK los implementas programáticamente.

La regla de oro: multi-agente es sobreingeniería en el 80% de los casos. Saber cuándo NO usarlo es tan importante como saber implementarlo.

Tópicos​

Patrones universales 🌐​

  • Prompt chaining — secuencia simple (output de A se vuelve input de B)
  • Routing — agente "clasificador" decide qué especialista atiende
  • Parallelization — N agentes en paralelo, agregación al final
  • Orchestrator-workers — agente coordinador delega y consolida
  • Evaluator-optimizer — generador + evaluador iteran hasta alcanzar criterio

Implementación en Claude Code​

  • Subagentes en paralelo (M14)
  • Agent Teams (Feb/2026) para orquestación nativa
  • Hook SubagentStop para recoger resultados

Implementación en Agent SDK​

  • Loops con múltiples instancias
  • Tool result aggregation
  • Manejo de errores y reintentos

Anti-patrones​

  • "Equipo de 7 agentes para escribir un email" (sobreingeniería)
  • Agentes que duplican contexto
  • Cadenas muy largas sin checkpoint
  • Falta de presupuesto de tokens (costo explota)

Materiales​

Conceptual ⭐​

Patrones en Claude Code​

Frameworks alternativos (referencia) 🌐​

  • 🛠️ LangGraph · [EN] [Gratis] intermedio
  • 🛠️ AutoGen (Microsoft) · [EN] [Gratis]
  • 🛠️ CrewAI · [EN] [Gratis] Estos no son Claude Code. Son referencia de otros patrones de multi-agente para comparar enfoques.

Ejercicio práctico​

Implementa 2 patrones diferentes sobre la misma tarea real:

Tarea: "dado un repositorio, generar reporte de calidad (seguridad, tipado, cobertura, dependencias desactualizadas)"

Patrón A — Orchestrator-workers: 1 agente principal delega a N subagentes especializados (security-checker, type-coverage-checker, deps-checker, etc.). Cada uno devuelve resumen, el principal consolida en reporte.

Patrón B — Evaluator-optimizer: 1 agente genera el reporte, 1 agente evalúa calidad (cobertura, claridad, accionabilidad), e itera hasta que el score alcanza el threshold.

Compara:

  • Tiempo total
  • Costo total
  • Calidad de la salida
  • Reproducibilidad

Documenta en learnings-multi-agente.md.

Definition of Done​

  • Implementaste al menos 2 patrones de multi-agente en tarea real
  • Sabes explicar cuándo se aplica cada patrón
  • Identificas sobreingeniería en arquitecturas multi-agente ajenas
  • Tienes opinión sobre Claude Code subagentes vs LangGraph vs AutoGen vs CrewAI

M21 · Evals — evaluación de salida de agentes

Por qué este módulo​

🌐 Evals son el "test unitario" de la era de IA. Sin eval, estás adivinando si el agente regresó. Con eval, tienes un regression test automatizable en CI.

En 2026 el ecosistema es maduro:

  • OpenAI adquirió Promptfoo por $86M (Promptfoo sigue siendo MIT, ahora con más inversión)
  • Braintrust levantó $80M en Feb/2026 a $800M valuation
  • Inspect AI (UK AI Security Institute) se convirtió en referencia open source para evals de safety

Tópicos​

Tipos de eval​

  • Programático — assertions exactas (output ≡ esperado)
  • Heurístico — regex, contains, format check
  • LLM-as-judge — otro LLM evalúa output cualitativo
  • Human-in-the-loop — humano evalúa muestra
  • Golden dataset — conjunto fijo de input → output esperado

Cuándo usar cada uno​

  • Programático: para tools determinísticas
  • Heurístico: formato, presencia de secciones
  • LLM-as-judge: claridad, helpfulness, tono
  • Human: muestra para calibrar LLM-as-judge
  • Golden dataset: regression en CI

Herramientas​

  • Promptfoo — open source, YAML configs, foco en red teaming
  • Inspect AI — UK AISI, foco en capability y safety, MIT
  • Braintrust — comercial, all-in-one (datasets + experiments + CI)
  • Langfuse — open source observability + evals
  • Anthropic Console Evals — integrado, simple, oficial

Eval en CI​

  • Trigger: PR abierto, push a main, schedule
  • Falla = bloqueo de merge / alerta
  • Comparación con baseline (no regresar)

Materiales​

Documentación oficial ⭐​

Cursos guiados ⭐​

Herramientas (hands-on) ⭐​

  • ⭐ 🛠️ promptfoo/promptfoo (GitHub) · [EN] [Gratis] Open source, MIT, ahora de OpenAI pero sigue abierto. Usa en el ejercicio.

  • ⭐ 🛠️ UK AISI — Inspect AI · [EN] [Gratis] Framework del UK AI Security Institute. Foco en capability y safety.

  • 🛠️ Braintrust · [EN] [Pago] (free tier) All-in-one comercial. Considera si tienes equipo grande.

  • 🛠️ Langfuse · [EN] [Freemium] Open source observability, hosted o self-host.

Comparativos y guías ⭐​

Ejercicio práctico​

  1. Configura Promptfoo (open source, liviano) con YAML config
  2. Crea un golden dataset de al menos 20 input/output esperados para un workflow tuyo (ej: code review, refactoring, bug fix)
  3. Eval programático: el output debe contener X, no contener Y, formato Z
  4. LLM-as-judge: rubric de 1–5 para claridad, corrección, helpfulness
  5. Integra en CI (GitHub Actions): correr en cada PR; fallar si score promedio cae vs. baseline
  6. Cuando hagas cambio en prompt/agente, eval valida que no regresó
  7. Documenta en learnings-evals.md

Definition of Done​

  • Tienes suite de evals corriendo en CI para al menos 1 workflow tuyo
  • Tienes golden dataset versionado
  • Sabes leer resultado de LLM-as-judge críticamente (calibrar con human eval)
  • Cambios de prompt nunca van a producción sin eval verde

M22 · Costos, tokens y optimización en Claude Code

Por qué este módulo​

La diferencia entre $24/mes y $80/mes o $200/mes y $2000/mes es puramente operacional. Devs que no entienden el costo dejan de adoptar (les parece muy caro) o queman presupuesto innecesariamente. En 2026 Anthropic publicó guías oficiales y la comunidad documenta reducciones de 40–70% con técnicas comprobadas.

Tópicos​

Anatomía del costo​

  • Input tokens vs. output tokens (output 5x más caro)
  • Cache reads (10% del precio normal)
  • Cache writes (1.25x del precio normal — se paga en 2 lecturas)
  • Modelos: Haiku (más barato) → Sonnet (medio) → Opus (premium)
  • Thinking budget (extended thinking) — tokens extras

Estrategias de reducción​

  • Prompt caching — CLAUDE.md se cachea automáticamente; ganancia típica 40–50% en input
  • Auto-compaction — Claude Code resume contexto antes de desbordar la ventana
  • Elegir el modelo correcto por tarea:
    • Haiku: lookups, formateo, boilerplate, grep, lint fixes
    • Sonnet: 80% del trabajo diario (5x más barato que Opus)
    • Opus: refac multi-archivo crítico, debugging sutil, decisiones arquitectónicas
  • Reducir contexto — no tirar todo el repo, dejar que Claude busque
  • Batch API cuando aplica (50% descuento, 24h SLA)

Monitoreo​

  • Anthropic Console: dashboards de uso, breakdown por modelo
  • Claude Code: comando /cost para ver gasto de la sesión
  • Alertas y budget caps en equipos

Caso real (documentado)​

Reducción del 70% en un equipo APAC: $80/mes → $24/mes cambiando mayoría de Opus a Haiku + Sonnet + caching agresivo (Branch8 + DEV.to)

Materiales​

Documentación oficial ⭐​

Guías prácticas ⭐​

Ejercicio práctico​

  1. Audita tu uso actual en el Console Anthropic (últimas 4 semanas):
    • Breakdown por modelo
    • Cache hit rate
    • Costo promedio por sesión
  2. Aplica 4 cambios:
    • Mover tareas simples (lint, format, boilerplate, lookups) a Haiku
    • Mantener CLAUDE.md conciso (cache eficaz)
    • Para sesiones largas, usar /compact en lugar de continuar hasta desbordar
    • Reservar Opus para tareas multi-archivo críticas
  3. Compara el costo de las 4 semanas siguientes
  4. Configura alerta de budget en el Console Anthropic
  5. Documenta en learnings-costos.md con gráfico de antes/después

Definition of Done​

  • Redujiste el costo de uso en al menos 30% vs. baseline
  • Sabes elegir modelo por tarea en segundos
  • Tienes alerta de budget configurada
  • Sabes leer el dashboard del Console Anthropic y diagnosticar gastos altos

M23 · Métricas de productividad y ROI

Por qué este módulo​

🌐 "Siento que soy más productivo con Claude Code" no pasa en una reunión con C-level. Aquí aprendes a medir impacto real con métricas que caben en un business case.

En 2026 la industria reporta hasta 79% de aceleración de delivery en equipos que adoptaron Claude Code de forma estructurada — pero también hay estudios que muestran que las ganancias se distribuyen heterogéneamente (algunos devs ganan 5x, otros pierden 10%).

Tópicos​

Qué medir 🌐​

  • Lead time (PR abierto → merged)
  • Cycle time (commit → producción)
  • Throughput (PRs/dev/sprint)
  • Defect rate (bugs por release, bugs en producción)
  • Test coverage (antes/después)
  • Code churn (% de líneas alteradas en 4 semanas después del merge — proxy de calidad)
  • Time-to-onboard (días para que un nuevo dev abra su primer PR útil)

Cómo medir​

  • DORA metrics (estándar de la industria)
  • Herramientas: GitHub Actions data, Linear, LinearB, Faros, GitClear
  • Survey trimestral de developer experience (DevEx, SPACE)

Frameworks de evaluación​

  • DORA (Deployment frequency, Lead time, MTTR, Change failure rate)
  • SPACE (Satisfaction, Performance, Activity, Collaboration, Efficiency)
  • DevEx (Friction, Flow, Cognitive load)

Cuidados estadísticos​

  • Heterogeneidad de ganancias (mediana ≠ media)
  • Confounders (adoptaste Claude Y cambiaste otra cosa)
  • Selection bias (devs que adoptan tienden a ser entusiastas)
  • Hawthorne effect (la medición cambia el comportamiento)

Materiales​

Frameworks oficiales 🌐 ⭐​

Estudios de productividad con IA ⭐​

Adopción enterprise​

Herramientas​

  • 🛠️ LinearB · [EN] [Pago] — métricas DORA + SPACE
  • 🛠️ Faros AI · [EN] [Pago] — engineering analytics con foco en IA
  • 🛠️ GitClear · [EN] [Freemium] — code quality metrics

Ejercicio práctico​

  1. Establece baseline de tus métricas (4 semanas pre-adopción, si existen datos):
    • Lead time, throughput, defect rate
  2. Define 3 hipótesis comprobables (ej: "Claude Code reduce lead time en 30%", "Claude Code reduce tiempo de code review en 50%")
  3. Mide 4 semanas con Claude Code activo
  4. Survey corto contigo mismo o con el equipo: percepción (escala 1–5)
  5. Calcula ROI: costo Claude Code (Anthropic invoice) vs. tiempo ahorrado × costo/hora dev
  6. Compila en business case de 1 página para presentar a tech lead, gerente o equipo
  7. Documenta en learnings-roi.md

Definition of Done​

  • Tienes baseline y métricas de 4+ semanas con Claude Code
  • Tienes 1 página de business case
  • Sabes articular ROI en lenguaje de negocio
  • Conoces los límites de tus mediciones (heterogeneidad, confounders)

M24 · Aspectos legales e IP de código generado por IA

Por qué este módulo​

🌐 No es un tema opcional. En 2025/26 hubo hitos jurídicos importantes que afectan cómo usas Claude Code:

  • Anthropic cerró un class action de $1.5B en Ago/2025 — mayor settlement de copyright en EE.UU., ~$3,000/título por uso de obras en entrenamiento
  • U.S. Copyright Office: código generado predominantemente por IA, sin autoría humana significativa, NO es elegible para copyright
  • Indemnización por proveedor: Microsoft, Google, OpenAI y Anthropic ofrecen indemnización para uso enterprise — los términos varían

Necesitas entender lo suficiente para proteger tu trabajo (el tuyo, el de tu equipo, el de tu empresa) y navegar contratos con clientes.

Tópicos​

Copyright y autoría 🌐​

  • Cuándo el código es "predominantemente IA": sin copyright
  • Cuándo hay autoría humana significativa (iteración, edición, refinamiento): copyright atribuible al humano
  • Implicaciones para empresa vs. contribuidor individual (work-for-hire)

Riesgo de infringement​

  • Código generado puede reproducir fragmento de fuente con licencia restrictiva (GPL, AGPL)
  • Mayor riesgo en código de larga trayectoria de entrenamiento (ej: OpenSSL, Linux kernel)
  • Mitigaciones: scanners de licencia (FOSSA, BlackDuck), filtros nativos del proveedor

Indemnización por proveedor​

  • Anthropic Commercial Terms — verificar cláusula de indemnización específica del plan
  • Microsoft Copilot for Business/Enterprise — indemnización por copyright
  • Google Gemini for Workspace — indemnización similar
  • OpenAI — indemnización para Enterprise

Cláusulas en contratos con clientes​

  • Disclosure de uso de IA
  • Atribución (Co-authored-by: Claude es convención, no obligación legal)
  • Garantía de IP del output
  • Exclusión de responsabilidad vs. indemnización traspasada

LGPD/GDPR​

  • Datos sensibles en el prompt/código
  • Dónde se procesan los datos (jurisdicción)
  • Derechos del titular (acceso, corrección, eliminación)

Materiales​

Fuentes primarias ⭐​

Análisis ⭐​

Protección de datos​

  • 🌐 📖 Busca por "GDPR e IA generativa" o "LGPD e IA generativa" — análisis actualizados en sitios legales y de tecnología. El material en español específico para el tema está en desarrollo en 2026.

Ejercicio práctico​

  1. Lee los Commercial Terms de Anthropic en detalle (foco en IP e indemnización)
  2. Audita tu uso actual:
    • ¿Estás en el plan correcto para tus clientes (Pro vs Team vs Enterprise)?
    • ¿Estás en compliance con los NDAs/contratos actuales?
  3. Crea una "AI use policy" personal documentando:
    • Cuándo divulgas el uso de IA al cliente/empleador
    • Cómo atribuyes (commit messages, PRs)
    • Qué datos nunca pegas en el prompt (PII, secrets, código de cliente)
  4. Para freelancer/contractor: prepara 1 cláusula contractual mínima sobre uso de IA en tu próximo contrato
  5. Para empleado: verifica si tu empresa tiene política y síguela; si no la tiene, ofrécete a redactarla
  6. Documenta en learnings-legal.md

Definition of Done​

  • Leíste los Commercial Terms de Anthropic del plan que usas
  • Tienes AI use policy personal escrita
  • Sabes responder en 1 minuto: "¿este código generado por IA es mío/de la empresa? ¿tiene copyright?"
  • Conoces los 3 vectores de riesgo principales (copyright, infringement, datos sensibles)

M25 · Gobernanza enterprise con Claude Code

Por qué este módulo​

🌐 En equipos grandes, la gobernanza es lo que separa la adopción sostenible del caos. En 2026 Anthropic lanzó varias features enterprise:

  • Claude Code incluido en los planes Team/Enterprise (eliminó el trade-off "innovación vs. gobernanza")
  • Compliance API (24/Mar/2026) — acceso programático en tiempo real a usage y contenido
  • Controles de admin granulares para IT
  • GitLab + Anthropic asociación para "Governed AI" enterprise

Tópicos​

Pilares de gobernanza​

  • Identidad y acceso: SSO, SCIM, RBAC, audit trail
  • Datos: clasificación, retención, residency, redaction
  • Compliance: SOC2, GDPR, LGPD, HIPAA (salud), PCI-DSS (pagos)
  • Costo y cuota: budget caps, alertas, billing splits por equipo/proyecto
  • Seguridad: secrets management, sandbox obligatorio, allowlist de MCPs
  • Auditoría: logs de prompts, logs de tools, logs de output, retención

Herramientas Anthropic enterprise​

  • Anthropic Console — admin org, billing, audit
  • Compliance API — exportación programática de usage para SIEM
  • Data residency (US, EU)
  • Customer Data Processing Agreement (DPA) bajo demanda
  • System prompts corporativos customizados

Frameworks​

  • AI Review Board — comité interno que aprueba casos de uso
  • Sandbox-first — todo Claude Code corre en sandbox por defecto
  • Principio del menor privilegio en MCPs y tools
  • Policy-as-code — configuraciones de gobernanza versionadas

Patrón emergente: Compliance API​

Endpoints para:

  • Listar usuarios, sesiones, prompts, outputs
  • Aplicar redacción automática de PII
  • Integración con SIEM (Splunk, Datadog, Sentinel)
  • Alertas en patrones sospechosos

Materiales​

Documentación oficial ⭐​

Guías prácticas ⭐​

Ejercicio práctico​

Para tu organización (real o hipotética):

  1. Mapea el riesgo:
    • ¿Qué datos sensibles maneja tu equipo? (PII, financiero, salud, código propietario de cliente)
    • ¿Qué regulación aplica? (GDPR, LGPD, HIPAA, PCI, SOX)
  2. Redacta política de 1 página cubriendo:
    • ¿Quién puede usar Claude Code? (¿todos los devs? ¿solo seniors? ¿solo con entrenamiento?)
    • ¿Dónde puede correr Claude Code? (¿laptop dev? ¿CI? ¿prod?)
    • Qué NUNCA puede entrar en prompt (secrets, PII, datos de cliente)
    • ¿Sandbox obligatorio? ¿Dónde?
    • Allowlist de MCPs aprobados
    • Auditoría y retención
    • Quién aprueba excepciones
  3. Configura (si tienes acceso admin):
    • SSO/SCIM si el equipo ya lo tiene
    • Budget caps por usuario/equipo
    • Allowlist de MCPs
  4. Documenta en learnings-gobernanza.md

Definition of Done​

  • Tienes política de uso enterprise redactada (≥1 página)
  • Sabes qué features de gobernanza vienen con cada plan (Pro/Team/Enterprise)
  • Identificaste los 3 mayores riesgos de gobernanza en tu contexto
  • Sabes la diferencia entre Compliance API y Console UI

M26 · Cultura y adopción de Claude Code en equipos

Por qué este módulo​

🌐 La mayor barrera de adopción es cultural, no técnica. Los devs experimentados resisten por orgullo, los devs junior lo usan mal, los gerentes presionan por métricas que se vuelven cargo cult, los ejecutivos esperan ROI overnight. Liderar bien la adopción es trabajo de producto + facilitación + paciencia.

Tópicos​

Patrones de adopción​

  • Bottom-up (1 entusiasta → equipo → org) vs. top-down (mandato + entrenamiento)
  • El híbrido funciona mejor: el entusiasta consigue mandato + presupuesto para piloto
  • "Champion network" — 1 evangelista por equipo

Onboarding de nuevo dev en el flujo con IA​

  • Primer proyecto: pair con champion usando Claude Code juntos
  • CLAUDE.md compartido del equipo como tutorial vivo
  • Plugins del equipo como "starter pack"

Lidiar con la resistencia​

  • Resistencia por orgullo ("yo sé programar") — mostrar uso para tareas tediosas, no sustitución
  • Resistencia por miedo ("me van a reemplazar") — ser honesto sobre qué cambia
  • Resistencia por mala experiencia ("lo intenté, fue malo") — una pair session de 2h vale 100 demos
  • Escepticismo legítimo ("dependencia riesgosa") — discutir vendor lock-in con sinceridad

Pair programming con IA​

  • Sesiones de equipo donde 1 dev usa Claude Code con pantalla compartida y narra el proceso
  • Discusión sobre prompts que funcionaron/fallaron
  • Calibración colectiva de "qué delegar vs. hacer manual"

Señales de adopción saludable​

  • 🟢 Devs compartiendo prompts en Slack/Notion
  • 🟢 CLAUDE.md evolucionando con feedback del equipo
  • 🟢 Dudas técnicas avanzando ("¿cómo uso subagentes para X?")
  • 🔴 "Eso es puro hype" recurrente
  • 🔴 Diff de PRs crece sin avisos sobre revisión crítica
  • 🔴 Tiempo de code review humano crece en lugar de caer

Materiales​

Sobre adopción y change management 🌐​

Pair programming y cultura​

Entrenamiento​

Comunidades​

Ejercicio práctico​

Elige entre dos caminos:

Camino A — Eres champion en el equipo:

  1. Propón piloto de 4 semanas con 3 colegas (no toda la ingeniería todavía)
  2. Crea CLAUDE.md compartido del equipo + plugin con 3 Skills/agentes del equipo
  3. Haz 2 pair sessions en vivo (1h cada una), narrando uso real
  4. Recoge feedback semanal (Slack survey de 3 preguntas)
  5. Presenta resultado al tech lead con métricas y cualitativo

Camino B — Eres solo / freelancer:

  1. Enseña a 1 colega o haz 1 video corto compartiendo tu flujo
  2. Contribuye con plugin o Skill open source
  3. Escribe un blog post o thread sobre tu workflow con Claude Code

Documenta en learnings-adopcion.md.

Definition of Done​

  • Al menos 1 otra persona adoptó o aprendió contigo
  • Tienes material compartible (post, repo, plugin)
  • Sabes identificar resistencia productiva vs. resistencia paralizante
  • Tienes plan realista para los próximos 6 meses de evolución de adopción (en equipo o personal)

M27 · Cuándo Claude Code NO es la mejor elección

Por qué este módulo​

🌐 La especialización sin reflexión se convierte en dogmatismo. Este módulo corto te da honestidad intelectual: escenarios reales donde otra herramienta gana a Claude Code, y cómo reconocerlos.

El punto NO es cambiar de herramienta principal — es tener conciencia honesta para elegir correctamente caso a caso.

Tópicos​

Escenarios donde las alternativas ganan​

Cursor / Windsurf — autocomplete inline en el editor

  • Tarea: escribir código con predicción y completion
  • Ganancia: latencia muy baja, UX integrada
  • Claude Code aquí: lento e inadecuado (no es el caso de uso)

GitHub Copilot CLI — comandos shell rápidos

  • Tarea: "¿cómo hago un find que..." inline en el terminal
  • Ganancia: integración vía gh y velocidad
  • Claude Code aquí: excesivo para la tarea

Aider — git workflow minimalista, modelos open source

  • Tarea: dev solo, proyecto pequeño, prefiere modelos locales (Llama, Qwen)
  • Ganancia: footprint mínimo, sin vendor lock-in
  • Claude Code aquí: dependencia de Anthropic y costo

OpenHands / Devin / Jules — tareas autónomas largas (horas)

  • Tarea: "resuelve este issue de principio a fin, abre PR, responde comentarios"
  • Ganancia: fully autonomous loop en sandbox cloud
  • Claude Code aquí: excelente para sesión de 30min, no tan optimizado para 4h+

Modelos especializados (Codestral, DeepSeek-Coder)

  • Tarea: completion en lenguaje específico donde modelo open source supera
  • Ganancia: costo cero o bajo
  • Claude Code aquí: costo innecesario

Cómo decidir​

  • Criterio: latencia exigida por el workflow
  • Criterio: costo (¿eres solo, equipo pequeño, enterprise?)
  • Criterio: privacidad (¿modelo local requerido?)
  • Criterio: autonomía deseada (sesión acompañada vs. autónoma)

Patrón recomendado: stack personal​

Los devs maduros usan 2–3 herramientas en conjunto:

  • 1 IDE agent para autocomplete (Cursor o Copilot)
  • Claude Code para tareas complejas y CLI
  • 1 modelo local para experimentación privada (opcional)

Materiales​

Comparativos honestos​

Para experimentar (rápido)​

  • 🛠️ Cursor · [EN] [Pago] — IDE
  • 🛠️ Aider · [EN] [Gratis] — CLI minimalista, soporta modelos locales
  • 🛠️ OpenHands · [EN] [Gratis] — agente autónomo open source

Ejercicio práctico​

  1. Elige 2 alternativas que aún no hayas experimentado en profundidad (Cursor, Aider, OpenHands, Codex CLI, Cline)
  2. Usa cada una por 3 días en tareas reales de tu día a día
  3. Documenta:
    • Dónde la alternativa ganó a Claude Code
    • Dónde Claude Code sigue siendo superior
    • Qué combinación adoptas de aquí en adelante
  4. Actualiza tu stack personal (qué herramienta para qué tipo de tarea)
  5. Documenta en learnings-alternativas.md

Definition of Done​

  • Experimentaste al menos 2 alternativas en profundidad
  • Tienes stack personal explícito (herramienta por tipo de tarea)
  • Puedes, en 1 minuto, recomendar la herramienta correcta a un colega dado un escenario

Capstone Final del Plan

Tiempo: 1–2 semanas después de M27 · Caminos: 3 variantes (elige 1)

Variante 🟢 — Capstone ligero (Productividad personal)​

Usa Claude Code intensivamente en 1 proyecto personal real:

  • Plugin personal completo (M16) con Skills + subagentes + hooks
  • CI con Claude Code action y evals (M12, M21)
  • Sandbox + política de seguridad (M18)
  • Documentación rica (M10)
  • Costos optimizados (≥30% reducción documentada — M22)

Variante 🔵 — Capstone equipo (Liderazgo técnico)​

Conduce piloto real de Claude Code en 1 equipo:

  • Política de gobernanza documentada (M25)
  • AI use policy (M24)
  • Entrenamiento o pair sessions realizadas (M26)
  • Métricas baseline + 4 semanas + ROI calculado (M23)
  • Plugin de equipo con Skills compartidas (M16)
  • Retro con lecciones y plan de los próximos 6 meses (M26)

Variante 🟣 — Capstone producto (Ingeniería de plataforma / IA)​

Construye y publica algo:

  • Agente customizado con Claude Agent SDK (M19)
  • Al menos 1 patrón multi-agente (M20)
  • Servidor MCP customizado publicado (M13)
  • Suite de evals en CI integrada (M21)
  • Plugin publicado en el marketplace oficial O servidor MCP publicado en directorio
  • Documentación completa, política de uso, dashboard de costo (M22, M25)

Auto-evaluación al final de la Fase 4

  • Construí al menos 1 agente propio con Claude Agent SDK
  • Implementé al menos 2 patrones de multi-agente
  • Tengo suite de evals en CI
  • Reduje costo ≥30% con técnicas de optimización
  • Tengo métricas de productividad documentadas
  • Tengo AI use policy escrita
  • Tengo política de gobernanza redactada (si aplica al contexto)
  • Conduje adopción en equipo O compartí conocimiento públicamente
  • Experimenté al menos 2 alternativas y tengo stack personal explícito
  • Completé 1 de las 3 variantes del Capstone

Si marcaste 8+ items, felicitaciones: completaste el plan. Ahora tienes autonomía plena para usar, extender, construir y gobernar agentes de código con Claude Code como herramienta principal — y conocimiento universal aplicable a cualquier agente que venga en el futuro.

Qué viene después

No existe "fin" en el campo de agentes — evoluciona rápido. Cómo mantenerse actualizado:

  1. Sigue oficialmente: Anthropic blog, Anthropic engineering blog, Latent Space podcast
  2. Practica proyectos reales: publica plugins, contribuye a awesome-claude-code, escribe posts
  3. Sigue el estándar: MCP, AGENTS.md, y nuevos protocolos cross-tool
  4. Reevalúa el stack cada 6 meses: ¿qué cambió en las alternativas? ¿tiene sentido cambiar?
  5. Comparte: enseñar es la forma más rápida de consolidar y descubrir gaps

El plan sirve como mapa, no como carril. Vuelve a módulos específicos cuando necesites profundizar — ese es el uso correcto. Buen viaje.