Diseñando un workflow de desarrollo con agentes de IA en un proyecto real
10 mar 2026

Diseñando un workflow de desarrollo con agentes de IA en un proyecto real
El experimento detrás de Zendit.
En este artículo cuento cómo pasé de ser desarrollador Android a lanzar una web en producción usando agentes de IA como parte del flujo de trabajo.
Explico:
el stack que utilicé
cómo diseñé los agentes
qué tareas automatizan y cuáles no
cómo organizo el repositorio para que no se convierta en caos
1) 🤖 Introducción: tardé en entrar, pero ya no miro atrás
Llevo unos dos años usando IA para programar. Primero como casi todos: autocompletado, ayuda con errores, alguna refactorización puntual, consultas rápidas cuando no quería abrir cinco pestañas de documentación. Me funcionaba, pero era una relación bastante simple: yo preguntaba, la IA respondía.
Con los agentes me pasó algo distinto. Llevaban tiempo en tendencia y, sinceramente, los veía con una mezcla de curiosidad y escepticismo. Había mucho ruido y pocas explicaciones de cómo usarlos en un proyecto real sin convertir el repositorio en un caos.
Hace aproximadamente un mes decidí abrir esa puerta de verdad. No para hacer una demo bonita, sino para aplicarlo en mi proyecto personal, con usuarios reales, decisiones reales y consecuencias reales. Me propuse una regla: si esto funciona, tiene que funcionar en producción y con procesos que pueda mantener en el tiempo.
Este artículo es justo eso: el diario técnico de ese experimento, contado desde dentro, con lo que salió bien y lo que todavía sigo ajustando.
2) 🧗 El proyecto personal: Zendit
Mi proyecto se llama Zendit. Es una web pensada para ayudar a la gente a encontrar compañeros para actividades outdoor, sobre todo escalada. La idea parece simple, pero el problema no lo es: no se trata solo de “quedar con alguien”, sino de encajar nivel, estilo, zona, disponibilidad y cierta confianza para salir a roca.
Aquí viene la parte importante del contexto: yo soy principalmente desarrollador Android. Mi experiencia en web era limitada. Sabía construir producto, organizar lógica y tomar decisiones de arquitectura, pero no tenía soltura real en un stack moderno web de extremo a extremo.
Y aun así quería sacar algo funcional en producción.
Esa combinación fue exactamente la razón por la que me lancé con agentes. Si conseguía avanzar aquí, con este punto de partida, entonces tenía sentido seguir invirtiendo en este enfoque.
3) 🛠 Construir una web en producción con agentes (sin magia)
La web terminó saliendo, desplegada y funcionando. El stack principal quedó en Next.js 16 (App Router), React 19 y TypeScript para la aplicación; Tailwind CSS para estilos; Supabase para autenticación, base de datos y storage; Mapbox GL para mapas y geolocalización; Buy Me a Coffee para soporte; y un flujo de calidad con Vitest, ESLint, Prettier, Husky, GitHub Actions y despliegue automático en Firebase Hosting.
¿Los agentes hicieron todo por mí? No. Y creo que decir lo contrario sería vender humo.
Lo que sí hicieron fue quitar una cantidad enorme de fricción en tres momentos clave:
cuando tenía que investigar algo de un stack que no dominaba,
cuando tocaba ejecutar tareas repetitivas con disciplina,
y cuando necesitaba validar que no estaba rompiendo cosas por el camino.
El cambio mental fue pasar de “pedir ayuda puntual” a “diseñar un sistema de trabajo”. En vez de una única IA para todo, empecé a separar responsabilidades y límites.
Un ciclo típico acabó viéndose así:
Issue
↓
Branch
↓
Agent Implementation
↓
PR + Checks
↓
Review
↓
Merge
Antes este ciclo dependía mucho de mi energía del día y de cuánto contexto recordaba. Con agentes, el trabajo gana continuidad: cada pieza deja rastro y el siguiente paso es más obvio.
4) ⚙️ Mis agentes de Codex: quién hace qué (y qué no)
Estos son los 6 agentes clave que estoy usando en Zendit:
1. Issue Executor
Resuelve una issue priorizada, implementa y abre PR.
Límite: no toca main directamente y va de una en una.
2. Feature Implementer
Implementa funcionalidades ya aprobadas.
Límite: exige validaciones (build/lint/test) antes de PR.
3. Auto Triage Governor
Clasifica issues sin prioridad y genera un daily report operativo.
Límite: no modifica código; solo organiza trabajo y estado.
4. Smoke Test Scanner
Vigila la salud de la rama principal y alerta si algo básico falla.
Límite: reporta problemas, no los corrige automáticamente.
5. Security Scanner
Detecta riesgos de seguridad y crea issues con contexto técnico.
Límite: no aplica fixes por su cuenta.
6. Architecture Scanner
Detecta deuda estructural de verdad (acoplamientos, responsabilidades mezcladas).
Límite: evita micro-refactors cosméticos y no implementa cambios.
Además de estos, tengo otros enfocados en DX, dependencias, rendimiento, cobertura de tests, roadmap y consistencia visual. Los pienso como sensores especializados: no hacen “todo”, pero mantienen el repositorio bajo observación continua.


5) 📦 Cómo funciona el repositorio
La base es sencilla: issues + labels + PRs como contrato de trabajo entre agentes y humanos.
Algunos agentes abren issues (seguridad, arquitectura, performance, etc.).
Otros implementan (issue executor / feature implementer).
Otros revisan estado y calidad (triage, smoke, escáneres).
El cierre ocurre cuando el flujo termina: PR mergeada, labels actualizadas y tarea resuelta.
Hay tres reglas que para mí son intocables:
1) Nadie trabaja directo sobre main
2) Los agentes ejecutores toman una issue por ejecución
3) Hay throttling para evitar ruido y duplicados
Esto suena burocrático, pero en la práctica evita justo lo que más miedo me daba: actividad sin progreso real. Prefiero menos automatización y más control que lo contrario.
También me ayudó mucho separar “detectar” de “resolver”. Un agente puede descubrir un problema, abrir una issue y dejarla bien descrita. Otro agente (o yo) la implementa después con contexto. Esa separación baja bastante el riesgo de cambios impulsivos.
6) 🔄 Workflow del día a día
Mi rutina con Zendit hoy se parece más a operar un sistema que a “picar código sin parar”.
Por la mañana reviso triage y estado general:
qué issues nuevas aparecieron,
cuáles se priorizaron,
si hubo alertas de smoke o seguridad.
Durante el día, el foco está en ejecución:
una issue concreta,
una rama concreta,
validaciones obligatorias,
PR con trazabilidad.
Por la tarde/noche entran los escáneres de arquitectura, rendimiento, dependencias y cobertura, que van alimentando backlog con trabajo accionable para los siguientes ciclos.


Lo más valioso aquí, más allá de velocidad, es la continuidad. He reducido mucho esa sensación de “¿por dónde retomo esto ahora?” cuando vuelvo al proyecto después de un parón.
7) 🧠 Conclusiones: productividad sí, criterio humano también
Después de este mes, mi conclusión no es que los agentes sustituyan al desarrollador. Es que cambian el rol: pasas de ejecutar todo manualmente a orquestar trabajo técnico.
En productividad, la mejora viene de quitar tareas mecánicas:
clasificación,
seguimiento,
checks repetitivos,
preparación de contexto.
Ese tiempo lo puedo dedicar a decisiones de producto y arquitectura, que es donde realmente aporto más valor.
En aprendizaje de stacks nuevos, el impacto también es real. Viniendo de Android, pude sacar una web funcional en producción sin esperar a “dominar web” antes de construir. Aprendí mientras entregaba.
Pero hay límites claros: los agentes no reemplazan criterio, ni contexto de negocio, ni responsabilidad técnica. Si no defines buenas reglas, pueden generar ruido muy rápido. Si las defines bien, se convierten en una capa potente de ejecución.
Voy a seguir iterando este sistema en Zendit. No porque sea perfecto, sino porque ya me demostró algo importante: cuando dejas de usar IA solo como asistente y empiezas a diseñar procesos con agentes, cambias la forma de desarrollar sin perder el control.