En el ecosistema actual del desarrollo multiplataforma, la sincronización entre diseño y código se ha convertido en uno de los cuellos de botella más críticos para los equipos de producto. Lo que comienza como un flujo manejable —un diseñador ajusta un color en Figma y tres equipos actualizan sus archivos manualmente— termina convertido en una operación inviable cuando se manejan cientos de ilustraciones, docenas de colores semánticos, temas oscuros y soporte para idiomas de derecha a izquierda. Fue precisamente esta escalada de complejidad la que llevó a un ingeniero de iOS en inDrive a dedicar un fin de semana a construir un MVP que, meses después, se ha convertido en el exportador de tokens oficial de la compañía.

Lo interesante de esta historia no es solo la herramienta resultante, sino las decisiones de arquitectura que la hicieron posible. En lugar de intentar parchear una solución de código abierto existente que ya no daba abasto, el equipo optó por un fork autorizado. Este enfoque permitió romper la compatibilidad hacia atrás cuando era necesario, algo que un proyecto mantenido para la comunidad no puede hacer sin afectar a sus usuarios. Forkear no es reiniciar desde cero; es tomar lo que funciona y reconstruir lo que limita. Esta mentalidad es muy similar a la que aplicamos en Q2BSTUDIO cuando desarrollamos software a medida para empresas que necesitan soluciones que ningún producto estándar puede ofrecer.

Uno de los saltos cualitativos más relevantes fue el abandono de YAML como capa de configuración en favor de Pkl, un lenguaje de configuración tipado de Apple. Cuando un archivo de configuración supera las setenta entradas —con categorías de iconos, rutas de assets y plantillas de código específicas para cada plataforma—, la repetición y la falta de tipado generan errores difíciles de depurar. Pkl aporta esquemas que validan en tiempo de escritura, bucles para generar configuraciones masivas e importaciones que evitan la duplicación. Este nivel de automatización es exactamente el tipo de inteligencia que se espera de las ia para empresas modernas: no necesariamente modelos generativos, sino lógica declarativa que reduce el error humano y acelera los ciclos de entrega.

La herramienta también incorporó descargas paralelas con límite de velocidad adaptativo, algo que mejoró el tiempo de exportación de 154 segundos a 37 segundos en el caso de 840 PNG por ejecución. Pero la innovación más estratégica fue el uso de un servidor MCP (Model Context Protocol) para integrarse con asistentes de IA como Claude Code. Esto permite a los desarrolladores dar instrucciones en lenguaje natural —'actualiza los iconos de la pantalla de inicio'— y que el agente IA ejecute la exportación, coloque los assets en el proyecto y genere el código correspondiente. Estamos hablando de agentes IA que actúan sobre la infraestructura real del proyecto, no solo generando texto sino manipulando activos y configuraciones. Para empresas que buscan escalar estos patrones, contar con servicios de automatización de procesos robustos y adaptables se vuelve una ventaja competitiva decisiva.

Otro aspecto digno de mención es el tratamiento diferenciado para Android. La herramienta valida que las rutas SVG no superen los 32.767 bytes (límite que impone AAPT) y puede reducir la precisión decimal para acortar comandos. Además, gestiona archivos de atributos y estilos XML para temas claros y oscuros. Este nivel de detalle solo se consigue cuando se entiende que las plataformas no son solo destinos de exportación, sino entornos con reglas propias. En Q2BSTUDIO, al desarrollar aplicaciones a medida, aplicamos ese mismo principio: cada plataforma tiene sus particularidades y una solución genérica rara vez funciona sin ajustes profundos.

La infraestructura de CI/CD también se benefició de este enfoque. La herramienta se distribuye como una GitHub Action que maneja caché binaria por sistema operativo y versión, caché granular de assets (que reduce una ejecución de 37 segundos a 3 segundos si no ha habido cambios), notificaciones en Slack con plantillas Block Kit y manejo inteligente de errores. Todo esto corre sobre runners de Linux, que son diez veces más baratos que los de macOS, y se soporta en Windows para entornos híbridos. Quienes trabajamos con servicios cloud aws y azure sabemos que la optimización de costos en la nube pasa tanto por elegir la infraestructura correcta como por diseñar pipelines que eviten trabajo redundante.

El caso de inDrive demuestra que un MVP de fin de semana puede evolucionar hasta convertirse en el estándar corporativo si se toman decisiones técnicas acertadas desde el principio: fork en lugar de parche, configuración tipada en lugar de archivos planos, descarga paralela con límite adaptativo, integración nativa con IA a través de MCP y una arquitectura que permite cambiar de fuente de diseño (Figma, Penpot o un archivo local) sin modificar el resto del pipeline. Todo ello, acompañado de documentación en DocC y extracción de librerías independientes como swift-figma-api o swift-svgkit, que la comunidad puede reutilizar bajo licencia MIT.

Para las empresas que enfrentan desafíos similares de sincronización entre diseño y código en múltiples plataformas, la lección es clara: las herramientas de propósito general tienen un límite, y superarlo requiere inversión en aplicaciones a medida que entiendan el contexto específico del negocio. La combinación de inteligencia artificial, automatización de procesos y buenas prácticas de infraestructura cloud no es una opción, sino una necesidad para mantener la velocidad de innovación sin sacrificar calidad. En Q2BSTUDIO acompañamos a las organizaciones en ese camino, aportando experiencia en ia para empresas, ciberseguridad y servicios inteligencia de negocio con Power BI, para que cada pieza del engranaje encaje en una estrategia integral y sostenible.