Agentes de programación en tu equipo de desarrollo
Claude Code, Codex o Copilot montados con criterio, permisos y revisión — no instalados y a ver qué pasa
Con liberar 4,2 horas a la semana, ya está pagado.
Tu equipo ya está usando agentes de programación, con o sin permiso, con o sin criterio. La pregunta no es si entran: es si entran con permisos acotados, con revisión obligatoria y sabiendo qué repositorios pueden tocar — o si entran por la puerta de atrás con la clave personal de alguien y acceso completo a producción.
Qué hacemos
Montamos la instalación de empresa: qué agente, con qué cuenta, con qué permisos y sobre qué repositorios. Con la configuración que impide que tu código se use para entrenar, que es una casilla que casi nadie mira.
Escribimos las reglas del repositorio —el fichero de contexto que el agente lee antes de tocar nada— para que respete vuestras convenciones, vuestro estilo y vuestras zonas prohibidas. Un agente sin reglas escribe código que funciona y que nadie de tu equipo escribiría.
Enganchamos el agente al circuito real: ramas, pull requests y revisión humana obligatoria. Nada se fusiona sin que una persona lo apruebe, y el CI ejecuta las pruebas igual que con cualquier otro cambio.
Y para el código que no puede salir —el del cliente con contrato restrictivo, el del proyecto clasificado— dejamos montada la alternativa con modelo local, más lenta pero dentro de casa. Que exista la opción es lo que convierte esto en una decisión y no en una imposición.
Formación práctica de dos sesiones: cuándo el agente ahorra tiempo de verdad, cuándo lo hace perder y cómo se revisa lo que produce sin firmarlo a ciegas.
Cómo funciona
Dónde vive el dato
El agente corre en el equipo del desarrollador o en tu CI, pero el modelo suele ser de proveedor: tu código viaja. Hay configuración de empresa que impide el entrenamiento y hay alternativa con modelo local para el código que no puede salir. Se decide y se escribe antes de empezar.
Retorno de la inversión
Con liberar 4,2 horas a la semana, ya está pagado.
En un caso típico libera unas 23 h al mes, por encima de ese listón.
- Coste actual del proceso
- 7904 € /mes
- Horas liberadas al mes
- 23 h
- Inversión de implantación
- 6800 €
- Operación
- 380 € /mes
- Ahorro neto
- 837 € /mes
- Punto de equilibrio
- 9 meses
- Resultado a 12 meses
- 3247 €
Supuestos de este cálculo (4)
- 152 h/mes es el tiempo de desarrollo de un equipo pequeño, unas cuatro personas a jornada parcial en código
- El 22% es deliberadamente conservador: la mejora se concentra en tareas repetitivas, pruebas y migraciones, no en el diseño
- El coste de operación incluye las licencias del agente para el equipo
- No contabiliza el tiempo que se pierde revisando código generado sin criterio, que es real y que este servicio ataca
Qué incluye
- Elección del agente según vuestro lenguaje, IDE y política de datos, con la comparativa escrita
- Instalación de empresa con cuentas, permisos por repositorio y desactivación del entrenamiento
- Reglas de repositorio con vuestras convenciones y las zonas que no se tocan
- Integración con ramas, pull requests, CI y revisión humana obligatoria
- Alternativa con modelo local para el código que no puede salir
- Dos sesiones de formación práctica sobre proyectos vuestros
- Medición del efecto real: PR aceptados, tiempo de revisión y retrabajo
Con qué lo montamos
No trabajamos con una sola herramienta ni te casamos con ninguna. Esto es lo que solemos usar para este servicio y para qué sirve cada pieza — si ya tienes algo montado, partimos de ahí.
- Claude Codeel agente de terminal que usamos a diario nosotros
- OpenAI Codexalternativa para equipos ya en ese ecosistema
- GitHub Copilotsugerencia en el editor y agente en los pull requests
- Cursorcuando el equipo prefiere trabajar dentro del IDE
- Cline / Aideropción abierta, y la vía para enchufar modelo local
- Continueasistencia en el editor contra un modelo de tu red
- vLLMel modelo local para el código que no puede salir
- GitHub Actionslas pruebas que ningún agente se salta
Cada una de estas piezas está catalogada en el stack, con lo importante: si se ejecuta dentro de tu empresa o si al meterla tu dato empieza a viajar.
Con qué motor lo movemos
Preferimos montarlo dentro de tu red, con un modelo abierto en tu propio servidor: es la única forma de que el dato no dependa de las condiciones de un tercero. Cuando eso no encaja — por presupuesto o porque no hace falta — trabajamos con modelos low cost adaptados a lo que puedas gastar, o con modelos frontera si la tarea lo pide. Para este servicio proponemos la capa marcada, pero se cambia sin rehacer el trabajo.
En tu servidor
El dato no sale. Es lo que preferimos.
- Cuándo
- Historiales, expedientes, nóminas, contratos, datos de salud, sector público — o cualquier cosa que no puedas explicar en una auditoría si acaba fuera.
- Tu dato
- No cruza el límite de tu empresa. Ni tu proveedor de nube ni nosotros vemos el contenido.
- Cómo se paga
- Inversión inicial en hardware y después coste plano: no sube aunque dupliques el uso.
- LlamaMeta · pesos abiertos
- QwenAlibaba · pesos abiertos
- DeepSeekChina · pesos abiertos
- MistralFrancia · pesos abiertos
- GemmaGoogle · pesos abiertos
- gpt-ossOpenAI · pesos abiertos
API de bajo coste
Potencia de sobra por céntimos.
- Cuándo
- Cuando el dato puede salir y lo que manda es el volumen: clasificar, extraer, traducir, resumir, etiquetar. Miles de operaciones al mes donde lo que cuenta es el precio por unidad.
- Tu dato
- Sale al proveedor que elijas. Te decimos cuál, en qué país están sus servidores y qué dicen sus condiciones de empresa sobre entrenar con lo que les mandas.
- Cómo se paga
- Céntimos por millón de palabras. Es la capa que hace viables los volúmenes grandes sin comprar una máquina.
- Kimi K2Moonshot · China
- DeepSeekChina
- MistralFrancia · Europa
- Gemini FlashGoogle · EE. UU.
- GrokxAI · EE. UU.
- GPT miniOpenAI · EE. UU.
Modelos frontera
Lo que proponemos aquí
Cuando el trabajo es difícil de verdad.
- Cuándo
- Razonamiento largo, código, análisis jurídico o financiero, agentes que encadenan veinte pasos sin que nadie mire. Donde una respuesta mediocre cuesta más de lo que cuesta el modelo.
- Tu dato
- Sale al proveedor. Leemos sus condiciones de empresa y te las resumimos por escrito antes de firmar nada.
- Cómo se paga
- El precio por palabra más alto del mercado — y a menudo el coste por tarea resuelta más bajo, porque acierta a la primera y no hay que revisarlo.
- Claude Opus 5Anthropic · EE. UU.
- GPT-5OpenAI · EE. UU.
- Gemini ProGoogle · EE. UU.
En la práctica casi nunca es uno solo
Lo normal es enrutar: el modelo barato se come el 90% del volumen y solo lo que de verdad es difícil sube al modelo frontera. Si además hay dato sensible, esa parte se queda en el servidor local y nunca entra en el enrutado. Se factura la mezcla, no el modelo más caro — y ahí es donde una factura de IA se divide entre tres o entre diez.
Cómo elegimos el motor, en detalle →Qué necesitamos de ti
- Acceso al repositorio y a la configuración de la organización
- Vuestras convenciones de código, aunque estén sin escribir
- Dos desarrolladores dispuestos a probarlo durante el piloto
Plazo típico: 3 a 5 semanas incluida la formación
Lo que sueles preguntarte
¿Cuánto tarda en estar funcionando?
3 a 5 semanas incluida la formación, contando desde que tenemos los accesos. El plazo exacto va en la propuesta, no lo dejamos abierto.
¿Salen mis datos de la empresa?
Depende de la arquitectura que elijas. El agente corre en el equipo del desarrollador o en tu CI, pero el modelo suele ser de proveedor: tu código viaja. Hay configuración de empresa que impide el entrenamiento y hay alternativa con modelo local para el código que no puede salir. Se decide y se escribe antes de empezar.
¿Con qué modelo de IA lo montáis?
Aquí el motor va en la capa frontera —Claude Opus 5, GPT-5 o Gemini Pro, según lo que ya uses—: es una tarea de las que no perdonan una respuesta mediocre. Se abarata enrutando lo fácil a un modelo low cost y dejando arriba solo lo difícil. Preferimos la seguridad del dato y montar red y sistemas en local, pero trabajamos con las tres capas: modelos abiertos en tu propio servidor, LLM de bajo coste adaptados al presupuesto —chinos como Kimi K2 o DeepSeek, europeos como Mistral, estadounidenses como Gemini o Grok— y modelos frontera como Claude Opus 5 o GPT-5. El motor se cambia en la configuración sin rehacer el trabajo.
¿Cuánto tiene que funcionar para que me salga a cuenta?
Con liberar 4,2 horas a la semana, ya está pagado. En un caso típico libera unas 23 h al mes, por encima de ese listón. Los supuestos del cálculo están publicados en esta misma página, para que puedas discutirlos.
¿Qué necesitáis de mi parte?
Acceso al repositorio y a la configuración de la organización; Vuestras convenciones de código, aunque estén sin escribir; Dos desarrolladores dispuestos a probarlo durante el piloto. Nada más: el resto del trabajo es nuestro.
¿Cuándo NO me conviene contratarlo?
Si tienes un solo desarrollador y ya usa uno a gusto, no pagues por esto: ahórratelo. Y si vuestro código es de un cliente con contrato que prohíbe expresamente herramientas de terceros, la respuesta correcta es el modelo local o directamente nada — te lo diremos antes de facturarte.
¿Puedo mantenerlo yo después, sin vosotros?
Sí. Todo lo que montamos se entrega documentado y con traspaso al equipo. No trabajamos con cajas negras.
¿Mi código acaba entrenando el modelo de otro?
Con la configuración de empresa correctamente aplicada, no: los planes de empresa de los principales proveedores excluyen el entrenamiento por defecto. Lo importante es que eso se verifica y se documenta, no que se dé por hecho — y para el código que no admite ni la duda, montamos la alternativa con modelo local.
¿Va a escribir código que nadie entienda?
Si lo instalas sin reglas, sí. Por eso la mitad de este servicio son las reglas del repositorio: convenciones, estilo, patrones que usáis y zonas que no se tocan. Con eso, lo que produce se parece a lo que escribe tu equipo, que es la única forma de que sea mantenible.
¿Puede desplegar a producción él solo?
No lo montamos así, y desaconsejamos que nadie lo haga. El agente trabaja en rama, abre pull request y una persona aprueba. El CI corre igual que siempre. Un agente con acceso directo a producción es exactamente el escenario que la ficha de seguridad de agentes existe para evitar.
¿Encaja con lo que necesitas?
Cuéntanos el proceso concreto y te decimos si este servicio es el que te conviene — o cuál de los otros 48 lo es.