Por Álvaro Cueva y Gerard Cañadas
Construir y operar infraestructura cloud-native en el sector financiero requiere equilibrar dos exigencias fundamentales: avanzar con rapidez y mantener una fiabilidad absoluta en los sistemas. A medida que las instituciones financieras modernizan sus plataformas centrales, la IA está pasando de ser un asistente pasivo de código a un motor activo de eficiencia en ingeniería y resiliencia operativa.
En Clear.Conf, el encuentro de talento técnico de Clear.Bank, más de 140 ingenieros y tecnólogos se reunieron para explorar cómo las herramientas agénticas, la estructuración de prompts y los flujos de trabajo con IA están transformando el desarrollo de software moderno. Representando a Wizeline como socio de ingeniería e innovación, tuvimos el privilegio de liderar dos sesiones centradas en marcos prácticos para escalar la IA en los ciclos de vida de desarrollo y en la resolución de incidentes en tiempo real.
A continuación, compartimos las principales estrategias y aprendizajes técnicos de nuestras presentaciones.
Tratando la IA como un Recurso Limitado de Ingeniería
Agilizando la Gestión de Incidentes en Producción con IA
(Por Álvaro Cueva)
En mi sesión, Effective Prompting and Token-Efficient Workflows, me enfoqué en cómo los equipos de desarrollo deben gestionar los recursos de IA con la misma disciplina de ingeniería que aplican a la CPU, la memoria y las conexiones de bases de datos. Los créditos de IA representan dinero real, y los tokens son lo que consumen los modelos. En lugar de asumir un acceso ilimitado a los modelos o recortar arbitrariamente el uso de tokens, nuestro objetivo como ingenieros debe ser optimizar el Value per Token (Valor por Token): maximizar el trabajo útil y de alta calidad producido por cada unidad de recurso consumida.
Estas son las prácticas clave que aplicamos para maximizar nuestro presupuesto de tokens:
- Precisión en los Prompts (El Framework TCCO): Los prompts vagos como «arregla este código» obligan al modelo a adivinar los requisitos, lo que genera desperdicio de tokens y cambios no deseados. Los prompts efectivos funcionan como especificaciones estructuradas de tareas que reducen la incertidumbre mediante cuatro elementos:
- Task (Tarea): La acción exacta requerida (ej. «Revisa este controlador de API»).
- Context (Contexto): Solo los detalles esenciales del entorno (ej. «Servicio en Go, base de datos PostgreSQL»).
- Constraints (Restricciones): Reglas no negociables (ej. «No alteres las firmas de las API públicas»).
- Output (Formato de Salida): El formato o esquema esperado (ej. «Devuelve los 3 principales riesgos de producción»).
- Curar el Contexto y Evitar los «Repository Dumps»: Procesar contexto tiene un costo. Volcar un repositorio entero o archivos masivos de registros (logs) en un prompt aumenta el ruido y los costos. En su lugar, proporciona a la IA archivos específicos, delimita comportamientos puntuales y abre conversaciones nuevas con frecuencia para eliminar el «impuesto de memoria» de los historiales de chat largos.
- Alinear la Capacidad del Modelo con la Complejidad de la Tarea: No pagues precios de modelos frontier para resolver problemas de nivel junior. Utiliza modelos ligeros para scripting básico o consultas rápidas, y reserva modelos de razonamiento avanzado para arquitecturas complejas, lógica profunda o depuraciones (debugging) intrincadas.
- Evolucionar los Prompts hacia Activos de Ingeniería: Las costumbres individuales de prompting no escalan. Los equipos deben estandarizar prompts individuales en plantillas reutilizables y empaquetar flujos de trabajo complejos en skills dinámicas (como las skills de GitHub Copilot que se cargan bajo demanda). Como me gusta resumirlo: «No optimices 100 prompts; optimiza una skill que se use 100 veces.»
Al final del día, la reducción de tokens no es la meta; la productividad del desarrollador sí lo es. Optimizar nuestros prompts y flujos de trabajo permite a nuestros equipos extraer el máximo rendimiento de cada interacción con los modelos, convirtiendo la IA de una herramienta experimental en un verdadero multiplicador de ingeniería.
(Por Gerard Cañadas)
Mientras que los flujos de trabajo de desarrollo se benefician de especificaciones estructuradas, los entornos operativos requieren una recuperación rápida de contexto bajo situaciones de alta presión. En mi sesión, From Incident to Resolution: Using AI to Accelerate Troubleshooting, me centré en cómo podemos integrar la IA directamente en los ciclos de vida de gestión de incidentes para reducir los tiempos de investigación.
Los incidentes en producción obligan a los ingenieros a navegar entre logs fragmentados, paneles de control y tickets históricos bajo una gran presión de tiempo. Durante la charla, mostré cómo las herramientas de base de conocimiento agénticas permiten a los equipos de respuesta correlacionar la telemetría del sistema con soluciones históricas, desplegar contexto operativo al instante y delimitar las causas raíz con mayor rapidez.
Para incorporar la IA en la respuesta a incidentes de manera efectiva, recomendamos enfocarse en tres áreas clave:
- Recuperación Focalizada del Conocimiento: Conectar agentes de IA directamente a la documentación operativa para mostrar contexto relevante automáticamente cuando ocurran anomalías.
- Automatización de Incidentes Recurrentes: Implementar rutinas agénticas para gestionar el triaje inicial, el filtrado de logs y los pasos de remediación estándar para los modos de fallo más frecuentes.
- Aumentar la Toma de Decisiones Humana: Usar la IA para acelerar la recopilación de datos, manteniendo el pensamiento crítico humano en el centro de los cambios del sistema y la verificación de la causa raíz.
Diseñando el Futuro de la Tecnología Financiera
Nuestra experiencia compartida en Clear.Conf puso de manifiesto una evolución más amplia en la industria: el éxito en la adopción de la IA no depende de usar el modelo más grande del mercado, sino de diseñar contextos precisos, flujos de trabajo estructurados y patrones de integración resilientes.
Ya sea optimizando el uso de recursos en los pods de desarrollo o acelerando la recuperación de incidentes en producción, en Wizeline seguimos trabajando junto a líderes del sector como Clear.Bank para desarrollar capacidades de ingeniería escalables que aporten un valor empresarial medible.
¿Buscas escalar tus flujos de trabajo de ingeniería agéntica o acelerar la modernización de tu plataforma?
Explora las Soluciones de Wizeline para la Banca y Servicios Financieros o ponte en contacto con nuestros equipos de ingeniería para descubrir cómo ayudamos a las empresas a construir y gestionar sistemas modernos de entrega de software.
