En API Days Paris vi algo poco habitual: un cliente y un consultor presentando juntos un proyecto de inteligencia artificial que realmente llegó a producción. Cyrille Martraire, CTO en Arolla, y Thomas Nansot, Director de Ingeniería en una importante plataforma europea de movilidad, explicaron cómo usaron IA para validar una migración crítica de API que gestiona cientos de millones de billetes al año y por qué el camino que funcionó fue muy distinto al plan inicial.

El problema era claro y de alto riesgo: migrar de una API legacy a una nueva arquitectura sin introducir regresiones que afectaran millones de transacciones. Las pruebas tradicionales eran demasiado lentas y caras cuando cada cambio de contrato exigía rehacer el trabajo. Necesitaban garantizar no regresión entre APIs con estructuras completamente diferentes.

1. Hackear primero, pulir después En lugar de pedir largos documentos de requisitos, Cyrille construyó de inmediato un prototipo rudimentario con sistemas falsos para validar la idea. La lección es que en proyectos de IA la velocidad de aprendizaje gana a la perfección. No se planifica la incertidumbre, se la explora con prototipos.

2. Usar la IA para generar código, no para ejecutar pruebas Su primer intento en producción confiaba en un agente IA que ejecutaba comparaciones en vivo. Funcionaba pero era lento, caro y poco fiable. El salto fue usar la IA para generar el código de comparación una sola vez y después ejecutar ese código de forma determinista y barata. Patrón recurrente: la IA crea herramientas y esas herramientas hacen el trabajo repetitivo.

3. MCP para consultar JSON como si fuera una base de datos Los esquemas de las APIs eran enormes y volcar todo en el contexto del modelo degradaba la calidad. La solución fue aplicar un Model Context Protocol que permite consultar rutas y claves de un JSON grande en lugar de presentar el documento completo al modelo. Es una forma de escalar LLMs: cambiar de un listín telefónico a una interfaz de búsqueda.

4. Aceptar la sorpresa Thomas comentó que como gestor esperaba tener una visión clara de la solución y al final el resultado fue muy distinto y mejor de lo previsto. Probar enfoques, medir rápido y pivotar cuando toca fue clave. Llevar demasiada certeza a proyectos de IA limita las posibilidades; hay que dejar espacio para que la tecnología sorprenda.

5. IA offline mejor que IA online en muchos casos La IA en modo offline es ideal para tareas repetitivas o de validación a gran escala: generar suites de pruebas, escribir módulos de infraestructura, crear reglas de validación o plantillas de documentación que se aplican muchas veces. El coste de usar la IA en cada ejecución suele ser prohibitivo cuando la misma tarea se repite miles de veces.

6. Transferencia de conocimiento sobre dependencia del experto Tras probar el concepto técnico, el papel del consultor cambió de creador a entrenador. El experto demuestra, convence y forma al equipo interno para que ejecute y mantenga la solución. El verdadero valor fue resolver el problema y, al mismo tiempo, construir capacidad interna; incluso ingenieros escépticos se entusiasmaron cuando entendieron el enfoque.

Conclusiones prácticas Si consideras llevar IA a producción: empieza con prototipos rápidos, prioriza artefactos generados frente a decisiones en vivo, aplica patrones tipo MCP para estructuras de datos grandes, organiza ciclos de feedback cortos y enfócate en transferir conocimiento a tu equipo. Evita esperar requisitos perfectos, depender siempre de IA en vivo o intentar planificarlo todo de antemano.

En Q2BSTUDIO, empresa de desarrollo de software y aplicaciones a medida, aplicamos esas mismas filosofías en proyectos reales. Somos especialistas en software a medida y ofrecemos servicios que abarcan desde desarrollo de aplicaciones hasta ciberseguridad y servicios cloud aws y azure. Si buscas construir soluciones seguras y escalables, podemos ayudarte a prototipar y llevar a producción con equipos formados internamente.

Ofrecemos además experiencia en inteligencia artificial y ia para empresas, creación de agentes IA, automatización de procesos y servicios inteligencia de negocio como power bi para mejorar decisiones. Si tu prioridad es desarrollar aplicaciones robustas y a medida, descubre nuestras capacidades en desarrollo de aplicaciones y software a medida y conoce nuestras propuestas de soluciones de inteligencia artificial para empresas.

Lo que más valoro de la presentación fue la honestidad sobre los caminos fallidos. En la llamada intermedia, en la iteración y en la adaptación es donde se aprende. Si has probado el patrón de IA que genera código en tu proyecto o has lidiado con límites de contexto en LLMs, me interesa conocer tus experiencias y preguntas para compartir aprendizajes y mejorar prácticas en producción.

Palabras clave integradas para mejorar posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.