Claude Code ayudó a crear un sistema CRM funcional de 46.000 líneas — y ya hay una guía

En Habr AI se publicó un estudio de caso detallado sobre cómo un equipo de dos personas construyó un sistema CRM comercial casi completamente usando Claude Code. En poco más de un mes y medio, produjeron 46 mil líneas de código, un producto funcional y un conjunto de reglas sin las cuales este modo rápidamente se convierte en caos.

Lo Que Construyeron

Los autores describen no un prototipo educativo, sino un sistema CRM funcional para procesar solicitudes entrantes y gestionar deals. El sistema puede responder automáticamente a correos electrónicos, crear tareas y mover clientes a través del embudo. El proyecto fue escrito por dos personas: una combinaba los roles de gerente y analista, recopilando tareas de videollamadas vía ReadAI y organizándolas en Jira a través de MCP; la otra gestionaba el propio proceso de desarrollo, implementación y pruebas.

Eligieron NestJS, NextJS, ShadCN UI y PostgreSQL como stack. La conclusión clave de este experimento es simple: lo impresionante no es la cifra de 46 mil líneas en sí, sino que el cliente ya está usando el producto. Esta es una distinción importante frente al escepticismo usual hacia vibe coding, que frecuentemente se asocia con demostraciones de fin de semana o producción acelerada de deuda técnica.

En este caso, los autores demuestran el escenario opuesto: si delimitas claramente tareas, roles y reglas de trabajo de antemano, la IA puede ser no un juguete, sino una herramienta bastante práctica para desarrollo comercial.

Cómo Organizaron el Proceso

El principal artefacto del equipo fue un archivo claude.md corto—no un depósito de conocimiento, sino un punto de entrada con descripción del proyecto, stack, enlaces a documentación y reglas básicas. Todo lo demás se trasladó a archivos md-separados por módulos: deals, procesamiento de correo, API y otras partes del sistema. Para backend, base de datos y otras áreas, crearon sus propios "agentes" en forma de instrucciones con patrones, restricciones y errores típicos. La idea es que Claude lea solo el contexto necesario en ese momento, en lugar de gastar tokens en todo el proyecto de una vez.

• Archivo claude.md corto con la información más importante
• Archivos md-separados para módulos grandes
• Instrucciones especializadas para backend y base de datos
• Un contexto para una tarea
• Revisión obligatoria después de la generación

La segunda regla es no mezclar tareas en una misma ventana. Los autores recomiendan adherirse al esquema "un contexto = una tarea", hacer clear después de la finalización y usar resume para volver. La razón es que cuando el contexto se desborda, Claude comprime el historial y pierde detalles en el peor momento. Para grandes bloques de trabajo, activaban plan mode para dividir la implementación en subtareas independientes. Según su estimación, incluso una suscripción básica de $20 es suficiente para 3–5 horas de trabajo activo si la documentación y la estructura del proyecto ya están preparadas.

Dónde Surgen Problemas

El artículo analiza por separado fallos típicos. Claude puede confundir métodos de bibliotecas, olvidar lo que ya fue discutido, producir código duplicado o sugerir soluciones arquitectónicas que no se ajustan bien con el resto del sistema. Una fuente separada de errores son las API externas.

Si extraes documentación de internet sobre la marcha cada vez, el modelo gasta más tokens y con frecuencia comete errores en parámetros o escenarios de uso. Por eso, para cada integración, el equipo primero pidió a la IA que montara un archivo md-separado basado en la documentación oficial, y solo entonces pasó a código. Los autores también recomiendan no omitir discovery, no confiar sin verificación un documento de requisitos que el cliente generó vía IA, y no esperar un resultado perfecto en el primer intento.

Para tareas arquitectónicas complejas, usaban Sequential Thinking para que el modelo primero pasara por una cadena de razonamiento antes de inmediatamente escribir código. Para navegación en una gran base de código, Serena resultó útil, ahorrando contexto en la búsqueda de archivos.

"Lo principal es entender qué quieres obtener como resultado y no generar caos."

Qué Significa Esto

El caso de Habr AI muestra bien que el déficit principal en vibe coding no es la generación de código, sino la manejabilidad del proceso. Claude Code acelera el desarrollo, pero solo si el equipo tiene disciplina en documentación, división de tareas, revisión y gestión del contexto. Para estudios y equipos de producto, esto es esencialmente una nueva habilidad operacional: no es suficiente ser capaz de escribir prompts, necesitas ser capaz de diseñar un entorno donde la IA no se dispersa por el proyecto, sino lo mueve hacia adelante.