---

Ribeirão Preto, curso presencial de instalación de paneles solares. Un techo de tejas de barro montado sobre el piso — ni era un techo de verdad. Y yo ahí, mirando eso, pensando: ¿estudié 250 horas para esto?

Acababa de fundar la primera empresa de energía solar de João Monlevade. Seis módulos de certificación en Blue Sol. Aprovechamiento entre 92% y 100%. Y bastó un techo de entrenamiento a ras del piso para darme cuenta de que la altura no era para mí. Ni un metro. Ni de mentira.

Esa pregunta — hecha frente a un techo de entrenamiento que ni era real — creó todo lo que vino después. Si yo no me subía a un techo, ¿qué hacía con 250 horas de energía solar, un curso técnico y 12 años de experiencia en web y marketing?

La respuesta llegó meses después, con la entrada de los socios: marketplace. No vender e instalar paneles — construir la plataforma donde otros venden e instalan.

Cada pivote de mi carrera siguió ese patrón: un problema que parecía pérdida se volvió la mejor inversión que hice. El miedo a las alturas se volvió marketplace. Una startup muerta se volvió cartera fija. Tres universidades sin título se volvieron 800 horas de problemas resueltos. No porque yo sea resiliente — porque mi modelo de operación gana con el error.

Si usted es fundador técnico de un equipo reducido, esta historia probablemente también es la suya.

---

El AMD K6 y el mundo antes de Stack Overflow

En 1998 yo tenía 11 años y la única computadora del barrio. AMD K6, 4GB de disco duro, Windows 98. Las personas pagaban para que yo formateara monografías según la ABNT (la entidad brasileña de normas técnicas). Cobraba R$ 1,00 por página. Mecanografía y formateo. A los 11.

No era vocación. Era lo que yo sabía hacer con lo que tenía.

A los 15, curso técnico en informática. A los 17, freelancer de diseño y web. En 2004 era Internet Explorer 6, donde todo se rompía. No existía Stack Overflow en portugués. Cuando me trababa en un error, leía documentación en inglés — como podía — y probaba hasta que funcionara.

Entré en la UFES para Diseño Gráfico y me transferí a la UEMG en 2007. En 2010 entré en Zavala Propaganda — donde armé el sitio de Aneethun y los sitios en inglés y español de Bio Extratus. Internacionalización de una marca de cosméticos de Minas Gerais, cuando «sitio responsivo» todavía era novedad.

---

El DENATRAN, los policías y los dispositivos hackeados

En 2012, GCT en Belo Horizonte. Gerenciamento e Controle de Trânsito (gestión y control de tránsito). Mi cargo: asistente de informática. Mi trabajo real: QA en la homologación del primer talonario electrónico certificado por el DENATRAN (el organismo nacional de tránsito de Brasil) en Brasil.

Un dispositivo electrónico que reemplaza el block de papel que el agente usa para multar. Cada campo, cada flujo, cada validación tenía que funcionar perfectamente — porque, si no funcionaba, el DENATRAN no homologaba. Y, si no homologaba, el proyecto entero moría.

Acompañé la auditoría federal de forma presencial. Siempre hay algo que necesita ajuste en el calor de una auditoría así. El programador era competente. Pasamos.

Después, 16 ciudades por Brasil capacitando equipos. Salvador, Uberlândia, Governador Valadares, Feira de Santana, Teófilo Otoni. Cada ciudad con hardware distinto y gente que no quería usar el sistema. Policías militares, guardias municipales y agentes de tránsito que a veces preferían el talonario de papel a la tecnología.

Y el problema que nadie previó: los agentes hackeaban los dispositivos. Instalaban WhatsApp, juegos, aplicaciones personales en un equipo que era exclusivamente para labrar actas de infracción. Tuvimos que implementar herramientas de bloqueo.

Implementé soporte remoto — y eso cambió la operación. Decenas de dispositivos por semana entre mantenimiento y nuevos por configurar. Lo que llevaba días pasó a llevar horas. Lo que a veces dejaba a un profesional sin equipo en Bahia por una semana pasó a resolverse el mismo día.

Lo que aprendí en GCT no cabe en un certificado: depurar bajo presión con el gobierno federal en la sala, y capacitar gente que no quiere aprender.

---

Oak: 200 socios, 50 plantas y una ley que cambió todo

Después del techo en Ribeirão Preto, el pivote hacia marketplace creó Oak Energia — el primer marketplace de energías renovables de Brasil. No solo solar: fotovoltaico, micro centrales hidroeléctricas, biodigestores, turbinas eólicas de eje vertical.

200 empresas integradoras registradas como socias. 50 plantas vendidas y homologadas en la plataforma en diversas ciudades de Brasil. Canal de YouTube con contenido semanal. 3 ediciones de la Feira de Sustentabilidade do Médio Piracicaba (feria regional de sostenibilidad). La idea era muy bien recibida donde quiera que habláramos — en Brasil o fuera. Nunca vimos nada igual.

Hice la Fórmula de Lançamento (un conocido programa brasileño de lanzamientos digitales) porque necesitaba tracción. El SEBRAE (la agencia brasileña de apoyo a las pequeñas empresas) Fast Motion nos invitó a acelerar. Conversaciones con inversionistas. En paralelo, entré en la UFOP para Ingeniería de Computación — 1º lugar general. Cinco semestres conciliando universidad y startup. Paré en la pandemia. No volví.

Acordamos entre los socios un plazo de 5 años. Y, como tantas startups, no nos volvimos unicornio.

---

La reunión

Procesos de venta largos. Homologación lenta. Y la ANEEL (el regulador eléctrico de Brasil) revisó las normativas sobre autogeneración de energía. La inseguridad jurídica congeló el sector entero.

No fue un día dramático. Fue una reunión entre socios. Miramos los números, el plazo de 5 años que habíamos acordado, el escenario regulatorio. Y decidimos que cada uno seguiría su camino.

Seis años. 200 socios. 50 plantas. 3 ferias. Un canal de YouTube que existe hasta hoy como recuerdo. Y la empresa detenida, lista para retomar si alguien quiere comprarla.

La mayoría de las personas mira ese párrafo y ve fracaso. Yo miro y veo lo siguiente: perdí la empresa, pero no perdí ninguna capacidad. Sabía construir una plataforma. Sabía cerrar ventas de 300 mil reales por WhatsApp, sin conocer al cliente personalmente — y con un cliente que nunca estaba de buen humor. Sabía organizar 200 socios que nunca se vieron. Y sabía volver a empezar.

El costo del error fueron 6 años. La ganancia de lo que aprendí con el error construyó todo lo que vino después en semanas. Eso no es resiliencia — resiliencia es aguantar el golpe. Eso es ganar con el golpe.

---

El cementerio que llegó antes del nombre

La transición fue inmediata. El primer cliente llegó por recomendación — un cementerio — antes de que la empresa tuviera un nuevo nombre.

Piense en lo que eso significa. Un cementerio confía su operación digital a alguien que acaba de cerrar una startup. No me conocía personalmente. Me recomendaron. Y el sistema que yo armé necesitaba funcionar cuando una familia en duelo decidiera pagar una cuota un domingo por la noche. Sin margen. Sin «vamos a ver si funciona». Si el portal fallaba, la familia volvía a casa sin conseguir resolver lo que vino a resolver.

Ese es el nivel de confianza que sostiene lo que hacemos. Y el nivel de consecuencia que moldeó toda la operación desde entonces.

Juliana — internacionalista con posgrado en Ingeniería Económica — fue asumiendo gestión, contenido, estrategia. No es una diseñadora que se volvió CEO. Es alguien que entendió que el contenido estratégico es lo que sostiene una cartera de clientes en el largo plazo.

Cuando elegimos el nombre «Evolutiva Negócios Digitais», la agencia ya operaba desde hacía meses. Los clientes llegaron antes del nombre.

---

Lo que hacemos y por qué funciona

Dos fundadores. Cartera fija desde hace 4 años. Nuestros clientes son cementerios, casas de cambio y e-commerces.

El portal de pago 24h del cementerio, con atención omnicanal y equipos de guardia, necesita funcionar siempre. Si falla, la familia en duelo no es atendida en el momento, y quien necesita los servicios con urgencia no logra usarlos.

El chatbot de la casa de cambio necesita responder la cotización correcta. Si falla, el cliente recibe un número inventado y pierde dinero.

El antifraude del e-commerce necesita acertar. Si se equivoca, un cliente legítimo queda bloqueado y nunca más vuelve.

Si el sistema falla, perdemos al cliente. No tenemos capa de protección, no tenemos departamento jurídico, no tenemos un inversionista cubriendo el perjuicio. Eso es lo que nos vuelve confiables — la piel en el juego es real.

Tres capas sostienen la operación:

Scrum adaptado a portafolio. Sprint semanal cubriendo a todos los clientes. Meta binaria de 5 ítems — pasó o no pasó. Una única gran cosa por día. Tres manos por tarjeta: quien hizo no verifica, quien verificó no mueve. 7 sprints completos, retrospectiva todos los viernes.

IA soberana. Modelos de lenguaje corriendo en nuestra propia infraestructura — costo cero por consulta. No es «usamos ChatGPT». Es: tenemos un servidor con modelos que conocen el negocio de cada cliente. El chatbot del cementerio agenda visitas. El de la casa de cambio responde sobre cotización con datos reales. El del salón conoce el historial de 82 mil atenciones de los últimos 15 años. Cuando el proveedor de IA triplicó el precio — y eso ya pasó tres veces desde 2023 — nuestros clientes no lo sintieron.

260 problemas resueltos y documentados. Cada problema se vuelve un procedimiento reutilizable. Cada error se vuelve una trampa documentada. El deploy en producción bajó de 45 min a 8. El informe mensual, de 4h a 40 min. La base crece cada semana — efecto compuesto aplicado a la operación.

Publico estos números porque me llevó 6 años encontrarlos — y nadie debería necesitar tanto tiempo.

---

Los números que no caben en un diploma

3 universidades: UFES, UEMG, UFOP. Ningún diploma. 1º lugar general en Ingeniería de Computación.

800 horas de cursos y capacitaciones con certificación de 12 emisores. De Google Ads a energía solar fotovoltaica. De UX Research a negociación avanzada.

Las credenciales formales son frágiles — pierden valor cuando el mercado cambia. La capacidad de resolver problemas nuevos es antifrágil — gana valor cuando el mercado cambia.

Las 250h de solar parecían inútiles. Hasta que necesité modelar una inversión de R$ 50 mil. Las 444h de Alura parecían «curso básico». Hasta que necesité construir un sistema entero solo.

---

Para quien se reconozca

Si usted opera con un equipo reducido y el cuello de botella es el tiempo, no el talento — la salida no es contratar más gente. Es multiplicar lo que cada persona resuelve.

Cuatro años de cartera fija. Dos fundadores. Cero clientes perdidos por falla técnica.

Lista completa de cada curso: evolutivanegociosdigitais.com.br/certificados-joao-vitor/

Atiendo a 4 clientes fijos. Si quiere intercambiar ideas sobre IA soberana, Scrum adaptado o cómo operar con un equipo reducido antes de que la agenda se cierre — envíeme un mensaje en LinkedIn.

---

Pasé meses tratando de identificar un ave en el patio. Construí una skill de Alexa para no tener que pasar por eso otra vez.

Una pareja de aves verdes aparecía todas las mañanas en el mismo cable, cerca de casa. Tenía la certeza de que no eran maritacas (nombre popular brasileño de los loros del género Pionus) — el tamaño era distinto, el ruido era distinto. Pero no sabía cómo se llamaban.

Fueron meses. Busqué en WikiAves, que es la referencia en Brasil y un trabajo excelente — pero para un principiante como yo, la cantidad de información resultaba más intimidante que útil. No sabía los términos correctos para filtrar. No sabía si «verde con mancha roja en el ala» era un sabiá exótico (zorzal) o un psitácido común. Lo descubrí después: eran ararinhas Maracanã (maracanás).

Y entonces vino la ironía que plantó todo: fui a verificar cómo sería su llamado para confirmarlo, y descubrí que los psitácidos no tienen un llamado estandarizado. El canto que quería usar como prueba simplemente no existe de forma clasificable. El desafío ya estaba en mi cabeza.

La primera idea era equivocada (y poco ética)

Mi plan original era usar Alexa para escuchar los sonidos de las aves alrededor e identificarlas por audio. Dos problemas mataron esa idea el mismo día:

Alexa solo capta voz humana. No escucha el ambiente — el micrófono está optimizado para comandos hablados. Los sonidos de fondo son ruido, no señal. No existe un «modo escucha» que yo pudiera activar.

Atraer aves con playback es una práctica cuestionable. Reproducir el canto de una especie para atraerla causa estrés territorial, puede alejar aves de sus nidos e interfiere en la reproducción. La IN ICMBio 14/2018 (instrucción normativa del organismo ambiental federal de Brasil) y el CEMAVE (centro brasileño de investigación y conservación de aves silvestres) orientan en contra. Cuando lo descubrí, descarté la idea sin pensarlo dos veces.

Entonces la skill se convirtió en otra cosa: en lugar de «grabe lo que escuchó», pasó a ser «describa lo que vio». Se le habla a Alexa en lenguaje natural — color, tamaño, dónde estaba, forma del pico — y ella devuelve las especies más probables.

El stack: Python, Bayes y cuatro bases abiertas que no se hablan

Alexa no es exactamente un equipo inteligente. Reconoce voz y llama a una función en la nube. Toda la inteligencia está en un Lambda (Python) en AWS, y el trabajo de verdad fue hacer que cuatro bases de datos que no fueron creadas para conversar entre sí produjeran una respuesta coherente.

AVONET (Tobias et al. 2022, CC BY 4.0) tiene rasgos morfológicos estandarizados para más de 11 mil especies — de allí vienen los 7 atributos que la skill extrae de su descripción: color principal, color secundario, tamaño por ancla, ambiente, posición, pico y cola.

GBIF tiene registros de ocurrencia de aves en Brasil. Usé esos datos como prior bayesiano: si usted está en São Paulo y describe «ave verde grande», el scorer pondera más las especies que de hecho aparecen en la región (radio de 30 km, con al menos 20 registros). Bem-te-vi (bienteveo) antes que una especie rara con la misma descripción.

xeno-canto tiene las grabaciones reales de los cantos. Y aquí entra una decisión que para mí no era opcional: no podía simplemente conectarme a los audios sin dar crédito a quien grabó. Cada reproducción muestra el nombre del grabador, la licencia (CC BY-NC-SA 4.0) y el número de la grabación en el acervo. Python se mostró excelente para capturar esos audios y organizar tanto especies como autores de forma programática.

Han et al. 2025 (CC0) complementa con datos de colores de plumaje que AVONET no cubre.

El slot type AMAZON.SearchQuery en pt-BR captura habla libre — «vi un pajarito amarillo con alas negras en el piso del patio» entra completo como texto y el parser extrae los atributos. No hay menú, no hay «diga 1 para color». Usted habla como le hablaría a un amigo.

Los números, sin inventar nada

1.627 especies de todo Brasil. 1.014 con grabación real de xeno-canto. La base empezó con 390 especies de la región de São Paulo y se expandió para cubrir todos los biomas brasileños.

Precisión simulada con ruido realista (descripciones incompletas, atributos equivocados, sinónimos regionales): el ave correcta aparece entre las 3 primeras sugerencias en ~54% de los casos. No es 90%. Es lo que el modelo entrega hoy con datos abiertos y un parser que acepta habla libre. La transparencia sobre ese número importa más que redondearlo hacia arriba.

También hay un quiz de cantos: la skill reproduce una grabación real y usted intenta adivinar la especie. Si acierta, lleva el puntaje. Si se equivoca, revela cuál era y la reproduce de nuevo para que usted la asocie. Es una forma de entrenar el oído sin tener que estar en el campo.

Y el mayor cuello de botella de ingeniería no fue el scorer — fue el Alexa Developer Console. Probar una skill de Alexa es un proceso lento, con deploys que tardan, logs que se demoran y una interfaz que poca gente domina. Quien ya desarrolló para Alexa lo sabe. Quien no lo hizo, lo va a descubrir.

Lo que la skill NO hace (a propósito)

No graba el sonido del ave — Alexa no puede. No reproduce cantos en loop para atraer aves — eso es poco ético. No tiene métricas de uso porque acaba de ser publicada. No tiene testimonios de usuarios porque no los voy a inventar. WikiAves, xeno-canto, GBIF y AVONET son fuentes acreditadas, no socios.

Cada reproducción de canto viene con aviso de playback responsable. Reproducción única, volumen controlado, crédito al grabador, orientación sobre época reproductiva. Eso no es una feature — es una obligación.

La invitación: pruebe, rompa, mejore

El código es MIT y el repositorio es público: github.com/jvitorcarvalho/aves-do-brasil-alexa.

Quiero que la gente se divierta con esto. Que descubran el canto del urutau (ave nocturna conocida en español como urutaú), que es una de las cosas más curiosas que va a escuchar. Que identifiquen un ave en el patio y se lo cuenten al amigo en el almuerzo. Que un desarrollador de Manaus tome el repositorio y calibre los priors para la Amazonía. Que un ornitólogo corrija los nombres populares que vinieron del GBIF y que probablemente tienen errores.

Hoy la skill cubre todo Brasil — 1.627 especies, 1.014 con grabación. Hay espacio.

Para probarla: «Alexa, abre Aves do Brasil». Es gratuita, sin anuncios, sin recolección de datos.

Para contribuir: abra un issue, mande un PR, o dígame que el nombre popular del tico-tico (chingolo) en su ciudad es otro. Todo ayuda.

---

Desarrollada por Evolutiva Negócios Digitais (João Monlevade/MG, Brasil). Fuentes: AVONET (Tobias et al. 2022, CC BY 4.0), GBIF (CC0), xeno-canto (CC BY-NC-SA 4.0), Han et al. 2025 (CC0), WikiAves (consulta pública). Aviso de playback conforme la IN ICMBio 14/2018 y las directrices del CEMAVE.

Preguntas frecuentes

¿Cómo identifica la skill Aves do Brasil un ave por la descripción hablada?

La skill usa un scorer bayesiano que cruza 7 atributos extraídos de su habla — color, tamaño, ambiente, posición, pico, cola y color secundario — con datos morfológicos de 1.627 especies brasileñas. La base viene de AVONET (Tobias et al. 2022), complementada con datos de ocurrencia del GBIF para ponderar las especies más probables en su región. Usted describe lo que vio en lenguaje natural y recibe las especies más compatibles con la descripción.

¿La skill reproduce cantos para atraer aves?

No. La skill reproduce grabaciones reales de xeno-canto solo una vez por consulta, con volumen controlado y crédito al grabador original. Reproducir cantos en loop para atraer aves causa estrés territorial y puede interferir en la reproducción — práctica no recomendada por la IN ICMBio 14/2018 y por el CEMAVE. Cada reproducción viene acompañada de un aviso de playback responsable.

¿Cuál es la tasa de acierto de la identificación por voz?

En simulaciones con ruido realista (descripciones incompletas, atributos equivocados, sinónimos regionales), el ave correcta aparece entre las 3 primeras sugerencias en aproximadamente 54% de los casos. Ese número refleja el desempeño actual con datos abiertos y un parser de habla libre. La skill no redondea métricas — la transparencia sobre las limitaciones es intencional.

¿La skill Aves do Brasil es gratuita y recolecta datos personales?

La skill es gratuita, sin anuncios y sin recolección de datos personales. El código es open source bajo licencia MIT, disponible en el repositorio público. Las bases de datos usadas (AVONET, GBIF, xeno-canto, Han et al. 2025) son todas abiertas y debidamente acreditadas.

¿Puedo contribuir con la skill o corregir nombres populares de aves?

Sí. El repositorio acepta issues y pull requests — las contribuciones de ornitólogos, desarrolladores y observadores de aves son bienvenidas. Los nombres populares regionales que difieren de los registros del GBIF pueden corregirse directamente. La base actual cubre 1.627 especies de Brasil y 1.014 con grabación real, pero hay espacio para calibración regional y expansión.

En tres años puse un agente de IA en producción y después lo saqué del aire con mis propias manos. Conversaba bien. Respondía con precisión. Y no le resolvía el problema a nadie.

Esa es la parte que casi nunca se cuenta. El mercado está lleno de relatos de lanzamiento y vacío de relatos de apagado — y el segundo enseña más.

Este artículo tiene dos mitades. En la primera, mi inventario honesto: qué está corriendo, qué todavía está en prueba, qué murió, y por qué lo que más aumentó mi entrega no fue inteligencia artificial. En la segunda, los números del mercado que explican por qué esta historia importa a quien trabaja con tecnología hoy — incluyendo por qué las vacantes de Scrum Master cayeron 62% mientras 85% de las vacantes de Product Manager pasaron a pedir IA.

Quién está hablando

Empecé en diseño gráfico. Migré a TI, pasé años en WordPress y desarrollo web — más de dos décadas metido en sitios, servidores y cosas rotas en producción. Hoy trabajo con MarTech: la capa donde marketing, sistema y dinero se encuentran.

No soy investigador de IA. Soy el que contesta el teléfono cuando el checkout deja de procesar un viernes por la noche. Mis clientes son empresas reales que, sumadas, facturan más de un millón de reales por mes, y lo que me compran no es tecnología — es previsibilidad.

Eso cambia lo que llamo éxito. Un modelo que impresiona en una demo y falla en el borde del flujo real no vale nada para quien me paga. Esa vara explica todas las decisiones que vienen a continuación.

Por qué me quedé callado

Fundé Evolutiva en 2022 y publiqué poco desde entonces. No fue estrategia de contenido. Fue falta de tiempo y, siendo franco, cierto recelo de hablar antes de tener algo que mostrar.

Tres años después lo tengo. Incluso lo que no funcionó.

El agente de IA que entró en producción y yo saqué del aire

Funcionaba. Y aun así fue un error mantenerlo en el aire.

Un cliente recibía decenas de llamadas por día con las mismas preguntas: situación del contrato, duplicado de factura, cambio de titularidad. La información existía — dispersa en miles de documentos, exportaciones y planillas acumuladas a lo largo de años.

Construí un agente RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación — en palabras simples: la IA busca la respuesta en la base real del cliente antes de responder, en vez de inventarla). Entró en producción en alianza con otra empresa de tecnología.

El agente entendía la pregunta. Encontraba el documento correcto. Formulaba la respuesta con claridad. En cualquier métrica conversacional, aprobaba.

Y yo lo saqué del aire.

Por qué apagué algo que funcionaba

Porque atender bien no es lo mismo que resolver.

El sistema del cliente no exponía puntos de integración. El agente lograba decir «su factura venció el 12 de marzo», pero no lograba generar el duplicado. Sabía que una transferencia era posible, pero no lograba iniciar el proceso.

Era un empleado brillante encerrado en una sala sin teléfono.

El cliente que llamaba no quería información. Quería el problema resuelto. El agente entregaba la mitad del camino — y medio camino, en atención al cliente, a veces es peor que nada, porque crea expectativa y devuelve al cliente a la cola.

La falla no fue del modelo. Fue de la infraestructura debajo de él. Y mantener en el aire un sistema que da buena impresión sin entregar resultado es deuda técnica disfrazada de vitrina.

Esa fue la lección más cara que aprendí, y se convirtió en mi regla: IA sin capacidad de acción es demostración, no producto.

Por qué un sistema legado se volvió SaaS antes de entrar en producción

Otro cliente operaba en un sistema legado que ya no soportaba el volumen: cobro recurrente, conciliación manual, planillas intercambiadas por correo. Empecé la reconstrucción — migración de base de datos, contenedores, pipeline de datos, cobro automatizado.

A mitad del camino noté algo que cambió el proyecto: el problema no era de aquel cliente. Era de todo el sector.

Todo negocio de aquel mercado tenía el mismo dolor, el mismo proceso manual, la misma planilla. Construir una solución a medida para un cliente resolvería un caso. Construir una plataforma multiinquilino — un SaaS donde cada empresa tiene su ambiente aislado sobre la misma base — resolvería el mercado.

Rehice la arquitectura para SaaS.

Aclaración honesta: ese sistema todavía no entró en producción. Está en fase de piloto. Yo podría escribir «plataforma SaaS para el sector» y dejar que usted suponga que hay decenas de clientes corriendo en ella. No los hay. Hay una arquitectura lista, un piloto en marcha y una decisión de producto que defiendo — pero producción es una palabra que solo se usa después de que un usuario real depende del sistema para trabajar.

Por qué la mesa de cambio sigue en pruebas (y seguirá hasta estar correcta)

Construí una mesa de operación digital de cambio de divisas: cotización, contrato, documentación de compliance, todo en tiempo real. Ahí, un agente de IA actúa como interfaz del sistema — el operador conversa, y el agente ejecuta dentro del flujo real.

Ese es exactamente lo opuesto del primer caso: aquí la IA tiene manos.

Y es justamente por eso que sigue en pruebas.

El sistema mueve dinero real, de clientes reales, en países distintos. La operación necesita ser rápida, porque el cambio de divisas tiene ventana de cotización. Necesita ser a prueba de error, porque un número cambiado no es un bug — es la pérdida de alguien. Y necesita ser auditable, porque hay regulación involucrada.

Cuando el costo del error es financiero y transfronterizo, «parece estar funcionando» no es criterio de liberación. Apurarse aquí no es agilidad: es irresponsabilidad.

Lo que aprendí gastando más de R$ 25 mil en IA

Invertí más de R$ 25 mil en herramientas de inteligencia artificial en los últimos años — ChatGPT, Gemini, Claude, Perplexity, OpenRouter, OpenCode, en prácticamente toda combinación de suscripción y modelo que existió en el período.

No fue un curso. Fue uso diario, en trabajo que tenía que salir.

El aprendizaje más incómodo: lo que yo sabía cambiaba casi todas las semanas. El modelo que era el mejor para una tarea en enero no lo era en marzo. El truco de prompt que funcionaba dejaba de ser necesario cuando el modelo mejoraba. Una herramienta que parecía esencial se volvía superflua con un lanzamiento.

Quien trató la IA como algo que se aprende una vez quedó con un conocimiento vencido. Lo que se acumula no es el atajo — es el criterio: saber cuándo un modelo es suficientemente bueno, cuándo el problema no es el modelo, y cuándo la respuesta correcta es no usar IA en absoluto.

Lo que conecta los agentes a los sistemas: MCP

Lo que amarra todo esto hoy es el MCP — Model Context Protocol, un estándar adoptado por Anthropic, Google y Microsoft para darles «manos» a los modelos de lenguaje.

En la práctica: con MCP, el modelo no solo conversa. Consulta bases de datos, dispara procesos, registra información y devuelve resultados dentro del sistema.

¿Recuerda al agente encerrado en la sala sin teléfono? MCP es el teléfono. Si hubiera existido con la madurez actual en la época de aquel proyecto, probablemente no habría apagado nada.

Lo que realmente duplicó mi entrega — y no fue IA

Fue proceso.

Eso suele decepcionar a quien espera oír el nombre de una herramienta, pero es la respuesta honesta. La IA aumentó mi velocidad de ejecución. El proceso aumentó mi constancia — y la constancia es lo que el cliente compra.

Trabajo solo la mayor parte del tiempo. Scrum, como está en el manual, presupone equipo: daily con varias personas, roles separados, ceremonia de alineación. Solo, eso se vuelve teatro — reunión conmigo mismo.

Lo adapté. Mantuve lo que resuelve un problema real de quien trabaja solo:

Práctica de Scrum	Cómo la adapté a una operación solo
Sprint	Ciclo semanal cerrado, con alcance congelado al inicio
Backlog priorizado	Cola única por impacto en el cliente, no por el antojo del día
Daily	Revisión corta en la mañana: qué se trabó y qué sale hoy
Definition of Done	Criterio escrito antes de empezar — sin eso, «casi listo» se vuelve eterno
Velocity	Tarjetas cerradas por semana — la única métrica que sigo
Retrospectiva	Media hora el viernes: qué se atrasó y por qué

La ganancia no vino de ninguna práctica aislada. Vino de dejar de decidir prioridades todos los días. El alcance abierto y la cola movediza consumen una energía que nadie contabiliza — y trabajando solo, esa energía es el recurso más escaso que existe.

Resultado: vengo cerrando cerca del doble de tarjetas por semana. No porque trabaje más horas. Porque me detengo menos, rehago menos y termino lo que empiezo.

La combinación que funciona es esta: IA para ejecutar más rápido, proceso para ejecutar la cosa correcta. Solo la primera mitad produce mucho trabajo descartable a alta velocidad.

El análisis honesto de las vacantes: lo que subió, lo que se desplomó

Mientras yo construía esto, el mercado se reorganizó de un modo que casi nadie previó. Fui tras los números — y algunos son incómodos.

Por qué se desplomaron las vacantes de Scrum Master

Porque la práctica fue absorbida y el cargo separado dejó de justificarse.

En enero de 2023, Capital One eliminó más de mil posiciones de Scrum Master, agile coach y delivery lead en una sola decisión. Royal London despidió al 90% de sus agile coaches pocos meses después. En el Reino Unido, las vacantes permanentes de Scrum Master cayeron de 79 a 30 en dos años — caída de 62%.

La justificación del propio Capital One es la parte que interesa: el papel fue «crítico en las fases iniciales de la transformación», pero con la madurez de la organización el paso natural fue «integrar los procesos de entrega ágil directamente en la ingeniería».

Traduciendo: el método ganó, el cargo perdió. Scrum sigue corriendo en 87% de los equipos. Lo que desapareció fue la persona contratada exclusivamente para facilitar ceremonias.

Hay un segundo factor, y es más duro. Existen más de 4 millones de certificados ágiles emitidos en el mundo. En Scrum.org, menos de 1% de los certificados alcanzó el nivel más alto. Cuando la oferta de credenciales crece mucho más rápido que la de competencia comprobada, el mercado deja de poder distinguir entre las dos — y pasa a tratar a todos como intercambiables.

¿Y el Product Manager? Ahí la historia es otra

El mercado de producto se recuperó — es el mayor volumen de vacantes desde 2022, con más de 7.300 posiciones abiertas globalmente. Pero la recuperación tiene dueño.

En un análisis de 654 descripciones de vacantes reales de Product Manager, 85% ya mencionan IA o machine learning y **32% exigen experiencia con *evals*** — las pruebas que miden si un sistema de IA realmente funciona, en vez de solo parecer funcionar.

Y aquí está el dato que más me llamó la atención: cerca de 30% de las vacantes de PM abiertas son de AI PM, pero menos de 5% de los PM sénior ya pusieron un agente de IA en funcionamiento.

Esa distancia es la oportunidad entera resumida en una línea.

Qué significa esto en la práctica

El premio salarial por competencias de IA saltó de 25% a 56% en un año — más que se duplicó. La demanda por esas competencias creció 142% en doce meses, según datos del propio LinkedIn.

Para quien está en Brasil, el efecto es directo: profesionales de producto contratados por empresas internacionales han recibido en el rango de US$ 4 mil a US$ 12 mil por mes, típicamente de 2 a 4 veces el equivalente local. Las vacantes de Payments Engineer con IA pagan entre US$ 5 mil y US$ 9,5 mil mensuales.

Aclaración que necesito hacer: estos levantamientos son mayoritariamente del Reino Unido y Estados Unidos. La dirección se transfiere a Brasil, la magnitud exacta no. Trátelo como orden de magnitud, nunca como piso salarial garantizado.

La lectura que hago de esto

No es «Scrum murió» ni «producto se acabó». Es otra cosa, y más específica:

El mercado dejó de pagar por proceso aislado y pasó a pagar por proceso aplicado a un sistema que funciona.

Un Scrum Master que solo facilita ceremonias se volvió costo. Un Product Owner que solo escribe historias de usuario y prioriza la cola se volvió costo. Lo que sigue valiendo — y valiendo más caro — es quien tiene método y entiende el sistema que se está construyendo.

Fue exactamente por eso que la sección anterior de este artículo importa. Yo no uso Scrum porque me gusten los frameworks. Lo uso porque, sin proceso, la IA me haría producir más basura en menos tiempo. Y no vendo IA porque esté de moda. La vendo porque sé lo que se rompe debajo de ella.

La combinación rara no es saber de IA ni saber de proceso. Es saber de las dos y tener la cicatriz de haberlo hecho en producción.

Para quién sirve este artículo

Si usted tiene una operación que necesita infraestructura de pagos, automatización o agentes de IA que funcionen en producción — y ya se cansó de demostraciones bonitas que no sobreviven al flujo real — la conversación es directa.

Si usted arma equipos de tecnología y busca a alguien que ya construyó, ya rompió, ya apagó su propio proyecto y sabe explicar por qué, también.

Prefiero decir «esto todavía está en prueba» antes que vender una certeza que no tengo. En sistemas que manejan dinero, esa es la diferencia entre un proveedor y un problema.

Preguntas frecuentes

¿Qué es un agente de IA en producción, en la práctica?

Es un sistema de IA del cual alguien depende para trabajar — no una demostración. La diferencia no está en el modelo, sino en la capacidad de actuar: consultar datos reales, ejecutar operaciones en el sistema, manejar errores y dejar rastro auditable. Un agente que solo conversa es un prototipo, aunque esté publicado en una dirección pública.

¿Por qué fallan los proyectos de IA en las empresas?

La mayoría de las veces, por la infraestructura, no por el modelo. Datos desorganizados, sistemas legados sin puntos de integración, autenticación inexistente y procesos no mapeados tumban a cualquier agente, por mejor que sea. Fue exactamente así que falló mi primer agente en producción: la IA estaba correcta, la base debajo de ella no estaba lista.

¿Qué es MCP (Model Context Protocol)?

Es un protocolo abierto que permite a los modelos de lenguaje ejecutar acciones en sistemas externos, y no solo generar texto. Con MCP, un agente consulta bases de datos, dispara procesos y registra información dentro de los sistemas de la empresa. Es el estándar que viene siendo adoptado por Anthropic, Google y Microsoft para conectar la IA a herramientas reales.

¿Vale la pena usar Scrum trabajando solo?

Vale, siempre que esté adaptado — aplicar el manual sin equipo se vuelve ceremonia vacía. Lo que sostiene la ganancia en una operación solo es el ciclo semanal con alcance cerrado, la cola única priorizada por impacto y el criterio de listo definido antes de empezar. Lo que se descarta son las ceremonias que existen para alinear a varias personas.

¿Se están acabando las vacantes de Scrum Master?

Las vacantes dedicadas se redujeron mucho, pero la práctica no. En el Reino Unido, las posiciones permanentes de Scrum Master cayeron 62% en dos años, y empresas como Capital One y Royal London eliminaron cientos de roles ágiles de una sola vez. Al mismo tiempo, Scrum sigue corriendo en cerca de 87% de los equipos: las organizaciones absorbieron el método dentro de la ingeniería en vez de mantener el cargo separado. El mercado dejó de pagar por facilitación aislada y pasó a pagar por método aplicado a un sistema.

¿Un Product Manager necesita saber de IA en 2026?

En la práctica, sí. En un análisis de 654 vacantes reales de Product Manager, 85% mencionan IA o machine learning y 32% exigen experiencia con evals. Cerca de 30% de las vacantes de PM abiertas son específicamente de AI PM, mientras menos de 5% de los PM sénior ya entregaron un agente de IA en funcionamiento — y es justamente esa distancia la que sostiene el premio salarial de 56% para quien tiene la competencia.

¿Cuánto tiempo lleva poner un agente de IA en producción?

Depende casi por completo del estado de los sistemas que va a operar, no del agente. En una base con integraciones listas y datos organizados, semanas. En un sistema legado sin puntos de integración, el trabajo real es la fundación — y suele llevar meses. Cualquier plazo dado antes de auditar la infraestructura es una adivinanza.

---

¿Quiere conversar sobre su caso? Hable conmigo por WhatsApp o por [email protected].