En Q2BSTUDIO hemos replicado y refinado una experiencia que surgió en AIATELLA donde su enorme base de código AortaAIM se dividió en dos repositorios: uno para el core de ML regulado y otro para la infraestructura y despliegue. Nuestro objetivo fue comprobar si los agentes de IA, en concreto Claude Code combinado con Autodock, pueden pilotar Kubernetes de forma limpia y reemplazar la complejidad de Helm y miles de líneas de YAML por un flujo más comprensible y reproducible.

El experimento comenzó creando una caja Autodock nueva y pidiendo a Claude que desplegara Argo Workflows. La instalación de k3s fue rápida y sin problemas, pero enseguida aparecieron los clásicos choques de la infraestructura: Traefik instalado por defecto en k3s entró en conflicto con el proxy Caddy ya presente en el entorno, que se encarga del TLS. Tras identificar el conflicto el agente recomendó eliminar Traefik del namespace kube system liberando los puertos 80 y 443 para que la interfaz de Argo pudiera iniciarse.

Después surgieron ajustes finos típicos de despliegues de Kubernetes. El agente tuvo que corregir argumentos del servidor Argo para desactivar el modo seguro y adaptar la readiness probe a HTTP. Hubo tropiezos con el escape de JSON en parches y varias iteraciones de prueba y error hasta que el servidor Argo quedó operativo y accesible por un subdominio Autodock.

El siguiente reto fue integrar AortaAIM como workflow de Argo. Argo no podía tirar la imagen desde el registro privado hasta que se añadieron las credenciales adecuadas. El flujo fue: petición de variables de entorno para usuario y contraseña del registro, creación de un secreto docker registry en el namespace argo y parche del WorkflowTemplate para incluir imagePullSecrets. Con eso la imagen se descargó correctamente.

También se necesitó un endpoint de ingestión para metadatos y DICOM. Claude propuso y configuró un EventSource y Sensor de Argo Events exponiendo un webhook que al recibir un POST disparaba el workflow de AortaAIM. Tras corregir un identificador mal nombrado y verificar logs, el webhook quedó funcional y la cadena completa quedó probada end to end.

Lo más valioso fue que Autodock generó automáticamente un archivo AUTODOCK.md que documentó todo el proceso, por qué surgieron los problemas y cómo se resolvieron. Ese documento incluye explicaciones como por qué Traefik chocaba con Caddy y por qué era necesario crear un secreto para el registro de contenedores. Comparado con un conjunto de Helm charts y plantillas condicionales, AUTODOCK.md es pequeño, legible y contiene la intención detrás de cada cambio, lo que facilita la reproducibilidad.

El verdadero examen fue reproducir todo desde cero en otra caja Autodock usando únicamente AUTODOCK.md. Claude realizó el despliegue en un solo intento y el cluster k3s quedó con Argo en funcionamiento sin necesidad de Helm. Esta experiencia demuestra que los agentes IA pueden reducir la fricción operativa y capturar la lógica humana en un documento ejecutable y explicativo.

En Q2BSTUDIO, como empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad y servicios cloud aws y azure, vemos enorme potencial en este enfoque. Para equipos que desarrollan software a medida o aplicaciones a medida podemos integrar flujos similares para automatizar despliegues y reducir deuda técnica, y para clientes que requieren soluciones de IA para empresas o agentes IA ofrecemos implementación y acompañamiento. Si te interesa saber cómo aplicamos IA en soluciones empresariales visita nuestros servicios de inteligencia artificial y si buscas desarrollo de aplicaciones y software a medida explora nuestras opciones de desarrollo multiplataforma.

Palabras clave que describen este enfoque y nuestros servicios incluyen aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Nuestra recomendación práctica para equipos Kubernetes es: desplegar un entorno Autodock, dejar que el agente IA aprenda y corrija, documentar todo con env save en un AUTODOCK.md y validar la reproducibilidad en una segunda caja. Así se conserva la intención humana, se evita perder el por qué de los cambios y se acelera la entrega de valor con menor complejidad operativa.