Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
IndustriaAnálisis · En radarHabr AI→ original

Un equipo SaaS recorrió seis niveles de desarrollo con IA y se detuvo en L4, donde los agentes construyen funciones

Una empresa SaaS madura lleva más de un año integrando IA y ha dividido el camino en seis niveles, desde el trabajo manual en L0 hasta la "fábrica oscura". El equipo se detuvo en L4: los agentes construyen funciones completas y las personas diseñan el sistema que las despliega. La lección es que los niveles no se saltan: un agente sin pruebas, CI y un archivo de reglas AGENTS.md no tiene con qué verificarse. Por eso conviene empezar por las comprobaciones y las reglas del equipo, no por comprar un agente.

Procesado por IA desde Habr AI; editado por Hamidun News
Un equipo SaaS recorrió seis niveles de desarrollo con IA y se detuvo en L4, donde los agentes construyen funciones
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1L1: el chat y el autocompletado aceleran el trabajo, pero el proceso no cambia
Dato clave #2L2: AGENTS.md y las comprobaciones de CI enseñan al agente las reglas del equipo
Dato clave #3L3: las habilidades compartidas de los agentes se reúnen en un único registro, y cada una tiene un responsable

Muchos equipos ya han contratado una suscripción a un asistente de IA, pero no saben en qué etapa están ni qué les impide avanzar. El autor de este análisis en Habr lleva más de un año integrando IA en una empresa SaaS madura. El equipo de ingeniería, al principio, miraba las redes neuronales con escepticismo. Él aclara de entrada que esto no es programar por intuición ("vibe coding") ni sacar un producto en una tarde con un solo prompt. Lo llama ingeniería de IA: el equipo construye un sistema que ofrece resultados de forma estable según sus estándares de calidad.

El autor dividió el camino en seis niveles. L0 es el desarrollo manual, L1 el trabajo con un asistente, L2 el trabajo con un agente y L3 la delegación en un agente. En L4 los agentes construyen funciones completas, y ahí se detuvo el equipo. Ahora experimenta con una fábrica agéntica semiautónoma en la nube. El último nivel, la "fábrica oscura", cierra la escala.

L0 y L1: del trabajo manual al asesor en el chat

En L0 lo hacen todo las personas. La especificación es una página en Notion, y el plan de implementación vive en la cabeza del desarrollador. Algunos servicios funcionaban sin pull requests ni revisión: los commits iban directamente a main. El QA verificaba a mano en un servidor de staging compartido según la especificación original, que podía quedar obsoleta tras la implementación. Sin embargo, existían pruebas con Playwright, y algunos proyectos tenían buena cobertura de tests y análisis estático. El autor considera que esa base es valiosa: para el desarrollo con agentes, el CI es crítico.

En L1 aparecen la suscripción a ChatGPT y el autocompletado en el IDE. Es como tener a un colega sabio sentado al lado: aconseja cómo diseñar una función, esboza una especificación, explica el código y escribe scripts sencillos. El desarrollador copia el resultado al IDE y pulsa Tab o Accept. Las tareas se resuelven más rápido, pero en esencia nada cambia. El chat no tiene acceso a los artefactos del equipo ni herramientas para actuar fuera de la conversación. Dan Shapiro compara este nivel con mantener el carril y el control de crucero.

L2: el agente como un junior al que hay que enseñar

En L2 llega un agente de verdad, como Claude Code o Codex. Ya modifica archivos del repositorio: escribe especificaciones y código. Pero programa como un junior mediocre, es decir, como escribe internet y no como se hace en su equipo. Para una demo basta, pero con usuarios reales todo empieza a desmoronarse.

Por eso el equipo enseña al agente las reglas:

  • en cada repositorio hay un AGENTS.md breve con reglas, límites de arquitectura, patrones y conocimiento del dominio. OpenAI publicó este formato en 2025 y ahora lo gestiona la Linux Foundation;
  • el archivo que crece demasiado se divide en partes que el agente carga cuando las necesita;
  • por cada "error" repetido del agente, una persona escribe una regla;
  • al agente se le dan herramientas: scripts de comprobación, servidores MCP con una base de conocimiento, logs de producción y Sentry, y un navegador;
  • las tareas repetitivas se convierten en habilidades.

No son menos importantes las puertas de calidad: build, pruebas, análisis estático y comprobación de los límites de arquitectura. Sin ellas el agente está ciego: no recibe retroalimentación y no detecta sus propias regresiones. Por eso los cambios del agente solo pasan mediante pull requests con CI y revisión. El desarrollo basado en trunk sin revisión funcionaba mientras el código lo escribían personas, pero no sirve para los agentes.

El trabajo del desarrollador pasa de escribir funciones a crear el sistema que las escribe: lanza al agente, revisa el resultado y ajusta las instrucciones. Al QA se le asignan escenarios deterministas en el navegador para el agente, mientras que a las personas les queda la parte creativa: cuestionar los requisitos y pulir el diseño y la UX. La base de conocimiento, además, no solo hay que alimentarla, sino también depurarla: los modelos se vuelven más capaces y algunas indicaciones ya no les hacen falta.

Qué cambia en L3

En L3, las prácticas personales se convierten en un proceso común. El autor señala prácticas a nivel de organización: habilidades y procesos compartidos en un mismo registro, donde cada una tiene un responsable; normas escritas como habilidades (formato de los PR, enlaces a tickets, tickets de QA); etiquetas de trabajo con IA en cada cambio, para ver cuánto hacen los agentes. Así, el trabajo de todo el equipo con agentes se vuelve uniforme.

Por qué importa

La idea principal del análisis es que los niveles no se pueden saltar. Sin CI y puertas obligatorias, el agente no tiene con qué comprobarse. Sin AGENTS.md y reglas del equipo, escribe "como internet". Sin habilidades compartidas y responsables, cada desarrollador inventa su propio proceso. Si quieres llegar a agentes que construyan funciones completas, primero revisa la base: control de versiones, pull requests, pruebas y análisis estático.

Hay también una salvedad: es la experiencia de un equipo en una sola empresa SaaS, no una investigación universal. La fábrica semiautónoma en la nube sigue siendo, por ahora, un experimento. Aun así, la escala de seis niveles ofrece una forma sencilla de saber dónde estás y qué hace falta para subir al siguiente.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre L0 y L1: del trabajo manual al asesor en el chat?

En L0 lo hacen todo las personas. La especificación es una página en Notion, y el plan de implementación vive en la cabeza del desarrollador. Algunos servicios funcionaban sin pull requests ni revisión: los commits iban directamente a main. El QA verificaba a mano en un servidor de staging compartido según la especificación original, que podía quedar obsoleta tras la implementación. Sin embargo, existían pruebas con Playwright, y algunos proyectos tenían buena cobertura de tests y análisis estático.

¿Qué se sabe sobre L2: el agente como un junior al que hay que enseñar?

En L2 llega un agente de verdad, como Claude Code o Codex. Ya modifica archivos del repositorio: escribe especificaciones y código. Pero programa como un junior mediocre, es decir, como escribe internet y no como se hace en su equipo. Para una demo basta, pero con usuarios reales todo empieza a desmoronarse. Por eso el equipo enseña al agente las reglas: en cada repositorio hay un AGENTS.md breve con reglas, límites de arquitectura, patrones y conocimiento del dominio.

¿Qué se sabe sobre Qué cambia en L3?

En L3, las prácticas personales se convierten en un proceso común. El autor señala prácticas a nivel de organización: habilidades y procesos compartidos en un mismo registro, donde cada una tiene un responsable; normas escritas como habilidades (formato de los PR, enlaces a tickets, tickets de QA); etiquetas de trabajo con IA en cada cambio, para ver cuánto hacen los agentes. Así, el trabajo de todo el equipo con agentes se vuelve uniforme.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…