Resumen rápido: optimicé mi proceso de escritura de traducciones en dos pasos. Paso uno escribo la intención del error o el texto literal en el código. Paso dos ejecuto un script Bash que orquesta el flujo y llama a la IA solo para la parte creativa. Resultado final añadí siete traducciones a archivos JSON, sustituí la clave en el código y listo, listo para commitear.

La frustración fue el motor del cambio. Añadir traducciones de forma manual era aburrido y consumía tiempo: idear la traducción, crear la clave, traducir a otros idiomas, insertar en los JSON, reemplazar la clave en el código. Mucho trabajo repetitivo que pedía a gritos automatización.

Mi objetivo era claro: minimizar el esfuerzo humano. Sabía dónde están los archivos JSON y su estructura. Quería un flujo en dos pasos: escribir la intención en el código y que la IA genere solo lo creativo mientras Bash se encarga de lo mecánico.

Los primeros intentos con modelos en la terminal fueron prometedores pero caros y lentos. A menos que indicara reglas precisas, la IA intentaba leer y procesar grandes archivos JSON, lo que consumía muchos tokens y tiempo. La primera iteración funcionó pero era ineficiente.

La siguiente fase incluyó comandos personalizados. Crear un comando en la CLI del modelo parecía útil, pero seguía costando demasiado porque la orquestación se hacía desde la capa de IA y eso genera demasiadas idas y vueltas. Apareció entonces una idea clave: dividir responsabilidades entre capa creativa y capa mecánica.

La solución práctica fue sencilla y elegante. La IA solo genera claves y traducciones. Bash local se encarga de encontrar el fragmento en el código, decidir si la traducción debe ser literal o basada en intención, reemplazar claves, actualizar los JSON y limpiar. Para ayudar a Bash a localizar exactamente lo que quiero traducir introduje un marcador muy simple: #go. Al escribir por ejemplo throw new Error(Email is already taken #go) Bash local detecta esa marca y extrae el texto a procesar.

Para ofrecer más flexibilidad implementé dos modos. Modo literal cuando el texto debe permanecer tal cual, y modo intención cuando escribo algo descriptivo y quiero que la IA formule el mensaje final. El modo intención se activa si el texto contiene palabras clave como Need, Create o Generate que indican que el fragmento contiene una intención y no una cadena final.

Flujo real en intención: escribo un texto descriptivo con la palabra clave Need y el marcador #go, ejecuto time bash .claude/scripts/i18n-extract-full.sh --yes y Bash detecta el fragmento, decide el modo, realiza la llamada a la API del modelo solo para generar clave y traducciones y luego actualiza los siete archivos JSON y reemplaza el fragmento por la clave i18n en el código. En mis pruebas el proceso completo usó alrededor de 769 tokens y tardó 8.9 segundos para siete idiomas.

Flujo real en literal: escribo el texto exacto que quiero traducir seguido de #go, ejecuto el mismo script y obtengo un proceso mucho más rápido y económico. En literal el consumo fue de 340 tokens y el tiempo total fue de 3.8 segundos para siete idiomas. La diferencia viene de delegar toda la orquestación a Bash y limitar la llamada a la IA únicamente a lo creativo.

Comparando enfoques: los comandos personalizados en la capa de IA tienden a ser 2 a 5 veces más lentos y consumen muchas más llamadas al modelo. Plain Bash orquestando y llamando a la IA solo para generar claves y traducciones resultó entre 2x y 5x más rápido y con un uso de tokens varias veces menor.

Lecciones aprendidas y buenas prácticas: simplificar gana. Dividir responsabilidades entre una capa mecánica ejecutada por Bash y una capa creativa ejecutada por IA reduce latencias, costes y hace el flujo reproducible. El marcador #go y el uso de palabras clave para activar el modo intención son trucos sencillos que mejoran mucho la ergonomía. No tengas miedo de iterar: empecé con una solución sobrediseñada y llegué a una solución minimalista y eficaz tras varias iteraciones.

En Q2BSTUDIO aplicamos esa misma filosofía de pragmatismo y especialización cuando diseñamos soluciones para clientes. Como empresa de desarrollo de software y aplicaciones a medida ofrecemos servicios que integran inteligencia artificial, ciberseguridad y automatización de procesos para obtener soluciones robustas y escalables. Si te interesa optimizar flujos y automatizar tareas repetitivas en tu organización puedes conocer nuestras soluciones de automatización visitando automatización de procesos y explorar cómo aplicamos técnicas de ia para empresas en proyectos reales en inteligencia artificial.

También trabajamos con software a medida y aplicaciones a medida para adaptar la solución perfecta a cada caso, incorporando servicios cloud aws y azure cuando la arquitectura lo requiere, y ofreciendo servicios de ciberseguridad y pentesting para garantizar que las aplicaciones sean seguras. Complementamos con servicios inteligencia de negocio y power bi para convertir datos en decisiones accionables, y desarrollamos agentes IA para mejorar la productividad y experiencia de usuario.

Si buscas reducir costes, acelerar la entrega y mejorar la calidad de tus aplicaciones, aplicar este tipo de automatizaciones en i18n es solo un ejemplo de lo que puedes lograr con software a medida, inteligencia artificial y buenas prácticas de ingeniería. En Q2BSTUDIO transformamos ideas en productos con enfoque práctico y resultados medibles.

Gracias por leer hasta aquí. Si te interesa compartir qué automatizaciones has creado o explorar casos prácticos con agentes IA y power bi para tu empresa estamos disponibles para conversar y ayudar a diseñar la mejor solución.