Claude Code y agentes IA en producción real: 3 lecciones del día 1 de Alter Ego

21 mayo 2026 · 7 min de lectura · nota técnica

Probar IA en demos es fácil. Operarla en producción donde cada error vale plata, tiempo o credibilidad — es otra cosa. Acá te dejo las 3 lecciones más caras que aprendí construyendo Alter Ego (sitio + landing SKU + form de captación + 4 PDFs de audit cliente-ready + automatizaciones de deploy) en 3 días con Claude Code, subagents y MCP.

Lección 1: el agente que mejor funciona es el más explícito sobre lo que NO puede hacer

El error clásico al empezar: querer que el agente "haga todo". Le tirás un prompt vago tipo "armá la landing de mi servicio" y obtenés algo genérico. Después te frustrás porque el output no encaja.

Lo que funciona: ser brutalmente específico sobre (1) el objetivo concreto, (2) los constraints reales (tiempo, stack, identidad visual), (3) qué NO debe hacer.

Ejemplo real de mi pipeline:

• ❌ Mal: "hacé un audit del competidor X"
• ✅ Bien: "audit de 4-6 págs sobre X. Usa estos datos verificables: [URL sitio, LI público, Similarweb]. Identidad visual alterego.lat (CSS adjunto). NO inventes claims sin fuente al pie. NO uses tono agresivo, sí filoso pero respetuoso. Output: HTML válido para Chrome headless print-to-pdf."

La diferencia entre ambos prompts es 90 segundos de trabajo extra. El resultado es 10× más usable.

Lección 2: los subagents y MCP no son magia — son división del trabajo

Cuando estás construyendo algo complejo (un sitio + landing + form + 3 páginas legales + 3 blog posts + 1 audit PDF en paralelo), querés tirar todo a un solo agente y que resuelva. Spoiler: no funciona.

Lo que sí funciona: usar el patrón de agente principal (vos coordinás) con subagents especializados para tareas atómicas que requieren contexto independiente.

Ejemplo de mi pipeline real:

• Explore agent — para encontrar archivos o referencias en una codebase grande sin cargarme el contexto principal
• Plan agent — para diseñar arquitecturas de implementación antes de codear
• general-purpose agent — para investigaciones largas (research competitivo, búsqueda multi-fuente)
• MCP servers — para integrar con Netlify (deploy automático por API), Gmail (envío de notifs), filesystem (lectura controlada)

El principal beneficio NO es el output mejor — es la conservación de contexto. Cada subagent trabaja con su propio context window. Cuando vuelve, te entrega un resumen estructurado. Vos no te ahogás en detalles que no usás.

Lección 3: la IA acelera el código, pero el cuello de botella sigue siendo el criterio humano

Esto sorprende a mucha gente: pensás que con Claude Code vas a escribir 10× más código por hora. La realidad es que escribir código casi nunca fue el cuello de botella. Decidir qué construir, cuándo, en qué orden, con qué prioridad — eso era el cuello de botella siempre.

La IA te quita la fricción de implementación. Pero te aumenta exponencialmente la responsabilidad de criterio. Si vos no sabés qué construir, la IA te va a construir lo equivocado 100× más rápido. Y vas a terminar con un cementerio de features inútiles brillantemente implementadas.

Lo que cambió en mi workflow:

1. Más tiempo planeando, menos codeando. 30 min de diseño previo se traducen en 3 horas de código bien dirigido. Sin diseño previo, son 5 horas de código que después hay que refactor.
2. Menos features, mejor terminadas. En vez de 10 features mediocres, 3 features impecables (audits perfectos, no audits decentes).
3. Verificación obsesiva del output. La IA puede convertir 10 prompts vagos en 10 entregables convincentes pero erróneos. La disciplina de validar cada output (testear código, leer PDF generado, verificar links) es más importante con IA que sin ella, no menos.

El resumen

La asimetría real de operar agentes en producción no está en la velocidad. Está en el tipo de problemas que ahora podés atacar solo. Hace 3 años un sitio + landing + 4 PDFs branded + form + deploy automatizado + 3 blog posts era trabajo de equipo de 2 semanas. Hoy es trabajo de 1 operador en 3 días.

Pero la palanca solo se materializa si tenés criterio claro sobre qué construir. La IA es un multiplicador. Multiplica el output bueno por 5-10×. Pero multiplica el output malo por el mismo factor.

— Hernán Vega · operador de producto digital & automatización