Sobre mí
Universidad
KashStartupIntel
QashioContacto
Kulu
Eric de La GoublayeCTO Fintech e IA
Volver al globo

La IA movió el cuello de botella

Mi punto de vista, desde operarla en producción en Kulu

Ingeniería AI-native

~5xde output de ingeniería en Kulu

La IA no reemplazó a los ingenieros. Movió el cuello de botella: escribir código dejó de ser lo lento. El trabajo de un CTO hoy es mover la IA hacia donde se fue el cuello de botella.

La IA no reemplazó a mis ingenieros. Movió el cuello de botella, así que moví la IA hacia donde se fue el cuello de botella.
  • Productoqué vale la pena construir
  • Desarrolloescribir código
  • Revisión
  • Pruebas
  • Usuarios¿funcionó?
  • Agentes de IAdel ticket o error de Sentry al pull request
  • Segundo agenterevisión de código adversaria
  • Pruebas hechas con IAend-to-end, datos sintéticos
  • IA sobre el uso realsession replay y analítica
  • MedidoFinOps y alertas de runway
  • Ingenierosmismo tool, output muy distinto

La tesis · 1/5

La tesis

La IA no reemplazó a los ingenieros. Movió el cuello de botella. Durante años, escribir código era la restricción. Con agentes de IA, el desarrollo deja de ser lo lento, así que el cuello de botella se mueve a producto, distribución, revisión, pruebas y entender a los usuarios. El trabajo de un CTO hoy es mover la IA hacia donde se fue el cuello de botella.

La tesis · 2/5

A dónde se fue el cuello de botella

Si el desarrollo ya no es el límite, producto tiene que decidir qué vale la pena construir, porque no queremos construir cosas que nadie usa. E ingeniería tiene que estar lo bastante cerca de los usuarios para saber que construimos lo correcto. La conversación difícil pasó de "cómo lo construimos" a "qué construimos, y cómo sabemos que funcionó".

La tesis · 3/5

Qué significa en la práctica

Revisión de código adversaria: un segundo agente intenta romper el cambio antes de que lo mire un humano. Pruebas end-to-end generadas y mantenidas con IA. Datos sintéticos para pruebas automatizadas. IA sobre session replay y analítica para entender el uso real. El flujo completo, desde un ticket de soporte o un error de Sentry hasta un pull request revisado.

La tesis · 4/5

Medido, no por fe

~5xde output de ingeniería en Kulu

La IA se gana su lugar con números: tiempo de queja a fix, output por proyecto, y gasto de IA con FinOps y alertas de runway. En Kulu eso se ve como menos de una hora desde la queja de un cliente a un pull request revisado, y cerca de 5x de output de ingeniería.

La tesis · 5/5

El matiz honesto

El multiplicador es desigual. Mismo tool, distinto ingeniero, output muy distinto. Por eso dimensiono los equipos proyecto por proyecto, con la meta fijada en paralelo, y los números me dicen el tamaño correcto. No recorto a ciegas, y no prometo un recorte parejo de headcount.

Verlo funcionando en Kulu
  • <1 hde la queja de un cliente a un pull request revisado
  • ~5xoutput de ingeniería
  • 1+año con una plataforma agéntica en producción

¿Qué significa "la IA movió el cuello de botella"?

Que la IA no reemplazó a los ingenieros, movió la restricción. El desarrollo ya no es lo lento, así que el cuello de botella se mueve a producto, revisión, pruebas y entender usuarios, y ahí es donde debe ir la IA.

¿Cómo se mide el impacto de la IA en un equipo de ingeniería?

Con números: tiempo de queja a fix, output por proyecto, y gasto de IA con FinOps y alertas de runway. En Kulu, menos de una hora de la queja al pull request revisado y cerca de 5x de output.

¿Cómo se construye un equipo de ingeniería AI-native en producción?

Construyendo sistemas alrededor de la IA: revisión de código adversaria con un segundo agente, pruebas end-to-end generadas con IA, datos sintéticos, y un flujo del ticket o error de Sentry al pull request revisado, detrás de guardrails que ningún agente puede saltar.

Arrastra para girar el globo, usa la rueda para hacer zoom y haz clic en un lugar.Arrastra para girar el globo, pellizca para hacer zoom y toca un lugar.