La práctica de IA dentro de una firma de 24 años.
En ASP Labs integramos la IA en la construcción de software. No como estrategia de marketing sino como una herramienta para reducir tangiblemente tiempos sin comprometer la calidad de código y la documentación.
- Liderada por Eric Alfredo Haag
- Desde 2024
- En cada proyecto
II · La tesis
La IA no reemplaza al desarrollador, se convierte en su mejor apoyo.
El mercado trata la IA como un accesorio — algo que se pega encima de los flujos existentes y te da licencia para llamarte "AI-powered". El resultado: equipos que entregan código con más errores, que no pueden explicar qué produjo la IA, y clientes pagando basura envuelta en sobreprecio.
Tomamos el enfoque opuesto. ASP Labs trata la IA como un conjunto de prácticas que reforman cómo trabajan los ingenieros senior — con la disciplina de una firma de ingeniería de 24 años como columna vertebral.
Cada artefacto generado por IA pasa por la misma revisión que el código escrito por humanos. Cada afirmación de aceleración está respaldada por métricas medibles. Cada skill o servidor MCP que desplegamos internamente ha sido probado en producción, no leído en un blog.
Eso es lo que significa ser "AI-native" de verdad.
Eric Alfredo Haag
Director de I+D · Líder de ASP Labs
Cuando alguien dice que su equipo usa IA, pregúntales una cosa: qué herramienta específica, en qué parte específica del flujo, con qué resultado medible. Si no pueden responder, la están usando como tú la usarías — ocasionalmente.
III · En el ciclo
Dónde entra la IA, paso a paso.
Cuatro momentos del ciclo de desarrollo, con la herramienta específica y la métrica de cada uno.
01 · Generación de código
Generación de código con humano en el ciclo
Cada ingeniero senior trabaja con Claude Code integrado a su entorno local. Para ediciones multi-archivo, refactors y código repetitivo, la IA redacta; el ingeniero revisa línea por línea antes del commit. Nunca hacemos merge de código generado por IA sin comprensión humana — la meta es throughput sin pérdida de intención. Skills personalizados se precargan por proyecto (convenciones, patrones de testing, restricciones de arquitectura) para que la IA produzca código que calza con tu base de código desde el primer prompt.
- Claude Code
- OpenCode
- Skills propios
~40% menos tiempo en código repetitivo
02 · Revisión de código
Revisión de código aumentada con IA
Revisores aumentados con IA se ejecutan en cada PR antes de que un humano lo mire: análisis de seguridad, rendimiento y adherencia a convenciones vía GitHub Actions. Los hallazgos triviales se resuelven antes de que un senior gaste tiempo en lo básico, y la revisión humana queda para lo que de verdad requiere criterio.
- Bot de PR propio
- Semgrep
- CodeQL
- Servidores MCP propios
80% de hallazgos triviales antes de la revisión humana
03 · Documentación
Documentación como resultado continuo
Servidores MCP conectan la IA a tu repo y generan docs que se mantienen sincronizadas con el código: ADRs, guías de onboarding, specs OpenAPI. Los cambios se detectan automáticamente, así la documentación deja de ser una deuda que se paga al final.
- Servidores MCP propios
- Claude
- Generador de OpenAPI
90%+ de docs técnicas generadas automáticamente
04 · Cobertura de tests
Generación de tests y aumento de cobertura
Skills específicos generan tests y suben cobertura sin ceremonia. La IA identifica casos límite que un humano pasaría por alto; los humanos los validan, no los reemplazan. El resultado es cobertura real, no números inflados.
- Skills de testing propios
- Vitest
- Playwright
42% → 89% de cobertura en el primer sprint
IV · Herramientas
El stack completo. Sin cajas negras.
Te decimos exactamente qué herramientas usan nuestros ingenieros, en qué parte del flujo y por qué. La transparencia sobre el stack es lo que separa la práctica nativa de IA del marketing.
Agente de terminal
Claude Code
Ediciones multi-archivo, refactors y borradores de PR en la terminal del ingeniero.
Agente de terminal · OSS
OpenCode
Alternativa a Claude Code donde el open source importa.
IDE
Cursor
Opcional — para quienes prefieren IDE integrado antes que terminal.
Protocolo de contexto
Custom MCP Servers
IA consciente del repo: lee tu base de código, docs y tickets.
Ingeniería de prompts
Custom Skills
Convenciones, patrones de testing y restricciones de proyecto precargadas.
Infraestructura RAG
Vector databases
pgvector o Qdrant para bots RAG de cara al cliente.
Orquestación
LangChain / LlamaIndex
Flujos de bots en producción con razonamiento multi-paso.
Integración en app
Vercel AI SDK
Respuestas de IA en streaming dentro de apps en producción.
Revisión de seguridad
Semgrep + rules
Análisis estático con reglas a medida para patrones del equipo.
V · Bots que entregamos
Cada bot en producción. Ninguno en POC.
No construimos demos. Cada bot listado abajo atiende usuarios reales, soporta carga real y tiene resultados documentados. Si no podemos entregarlo, no lo cotizamos.
Sector público · 18 meses en producción
Chatbot de atención ciudadana
Desplegado para una entidad gubernamental que recibía miles de consultas normativas repetitivas al mes. El reto no era responder — era responder con citas a documentos oficiales, en un dominio donde una respuesta incorrecta tiene consecuencias legales.
El bot indexa la normativa vigente y responde con la fuente exacta (resolución, artículo, página). Cuando no está seguro, lo dice y escala a un humano en lugar de inventar.
- 1,200+ consultas/día
- ~60% reducción de tickets
- 98% precisión de citas
- <2s de respuesta
Lecciones aprendidas
- El cumplimiento exige cita en cada afirmación
- La frescura de los docs importa más que el tamaño del modelo
- Detectar preguntas fuera de tema fue el 30% del esfuerzo de ingeniería
Legal / corporativo · 12 meses en producción
Agente RAG sobre documentación legal
Desplegado para una firma legal corporativa con más de 40,000 páginas de contratos y fallos. Los abogados perdían horas buscando cláusulas específicas entre documentos dispersos.
El agente responde preguntas en lenguaje natural sobre todo el corpus, con las fuentes ordenadas por relevancia y un puntaje de confianza. No reemplaza el criterio legal — acelera la búsqueda que lo precede.
- 40k+ páginas indexadas
- segundos vs horas de búsqueda
- citas en cada respuesta
- puntaje de confianza por resultado
Lecciones aprendidas
- La calidad del chunking define la calidad de la respuesta
- Los abogados confían en el resultado solo si ven la fuente
- El re-indexado incremental evita reprocesar todo el corpus
Operaciones / logística · 9 meses en producción
Automatización de procesos internos
Desplegado para un operador logístico cuyos flujos de aprobación se atascaban en colas manuales. Cada solicitud esperaba a que alguien la clasificara y la enrutara.
Un nodo de decisión basado en LLM clasifica cada solicitud, la enruta al aprobador correcto y deja traza de por qué. Los humanos siguen aprobando; la IA elimina la espera de clasificación.
- 142 solicitudes/día
- enrutamiento en <1s
- traza de decisión auditable
- cero clasificación manual
Lecciones aprendidas
- La decisión del LLM debe ser explicable, no solo correcta
- Un respaldo humano claro es innegociable
- Medir el antes es lo que prueba el después
VI · Open source
Skills que compartimos.
Un subconjunto de nuestros skills internos se publica abiertamente para la comunidad. Porque si puedes pasarle nuestra configuración de IA a otro ingeniero, hicimos bien el trabajo. La defensibilidad real viene de la disciplina de ejecución, no de prompts propietarios.
conventional-commits-strict
Aplica conventional commits y genera cuerpos de PR a partir del diff.
- git
- all-langs
typescript-strict-review
Revisión de código con IA enfocada en TypeScript en modo estricto.
- typescript
- code-review
spring-boot-migration
Migra Java heredado a Spring Boot moderno con tests.
- java
- spring
- migration
postgres-query-optimizer
Analiza consultas lentas y sugiere estrategias de índice o reescritura.
- postgres
- performance
Ve todos los skills en GitHub
Contribuye de vuelta, o bifúrcalo y extiéndelo para tu equipo.
VII · Lo que medimos
Métricas y guardrails.
Números que seguimos internamente. No porque se vean bien en una presentación — porque nos dicen si la IA está ayudando o estorbando.
~40%
Menos tiempo en código repetitivo
3×
Ritmo de migración de sistemas heredados
80%+
Cobertura de tests asistida
90%+
Docs generadas automáticamente
<5%
Errores de IA que escapan a producción
100%
Revisión humana en PRs de producción
Lo que NO hacemos
- Merge de código de IA sin comprensión humana
- Facturar throughput de IA como horas de ingeniero senior
- Despliegue a producción sin observabilidad
- Usar IA para lógica sensible a la seguridad sin revisión extra
- Vender una capacidad de IA que no hemos entregado al menos una vez
- Ocultar cuándo la IA produjo algo — la atribución es estándar
Trabaja con ASP Labs
Agenda tiempo con Eric.
Una discusión técnica a fondo. Trae tus preguntas de IA — las que los proveedores no responden directo.