Cómo la IA Transformó mi Flujo de Trabajo como Ingeniero DevOps Senior

IA, IA, IA. ¿Otro post más sobre Inteligencia Artificial? Sí, pero este es personal.

Después de casi 20 años en DevOps, no esperaba que algo cambiara fundamentalmente cómo trabajo. Luego, en abril, el CEO de Make anunció que nos convertiríamos en una empresa de ingeniería aumentada por IA—no solo adoptando IA, sino convirtiéndonos en líderes y pioneros que inspirarían a clientes, socios y competidores por igual.

Seré honesto: cambiar flujos de trabajo arraigados no es fácil, incluso cuando estás abierto a ello. La IA no es solo otro framework o herramienta. Está transformando cómo pensamos sobre el trabajo mismo—quizás tan profundamente como la Revolución Industrial cambió la manufactura.

Así es como cambió mi flujo de trabajo en seis meses.

El Antes: Flujo de Trabajo DevOps Tradicional

Mi flujo de trabajo solía seguir el patrón estándar del ciclo de vida DevOps:

Investigación y Planificación: La Inmersión en la Documentación

Esta fase era donde pasaba una cantidad desproporcionada de tiempo. Antes incluso de comenzar a planificar la solución, tenía que:

• Lectura profunda de documentación: Pasar horas leyendo documentación de AWS, Terraform, Kubernetes u otras plataformas—no solo la vista general de alto nivel, sino profundizando en:

  • Sintaxis exacta y formatos de parámetros
  • Todas las opciones disponibles y sus implicaciones
  • Casos límite y limitaciones
  • Ejemplos y casos de uso

• Búsquedas en Google para mensajes de error, soluciones y mejores prácticas

• Inmersiones profundas en Stack Overflow para entender cómo otros resolvieron problemas similares

• Prueba y error manual para validar la comprensión

• Planificación después de recopilar toda esta información

El sumidero de tiempo: Una porción significativa de mi tiempo se dedicaba a entender las minucias de los detalles de implementación—los parámetros exactos que acepta un recurso de Terraform, el formato específico de una plantilla de CloudFormation, los flags precisos para un comando CLI. Esto era necesario, pero ralentizaba el trabajo real de resolución de problemas y arquitectura.

Código: Desarrollo Manual

• VS Code como mi editor principal
• Autocompletado asistido por IA (GitHub Copilot) para sugerencias básicas
• Codificación mayormente manual con ayuda ocasional de IA
• Escribir código línea por línea, función por función
• Aún referenciando documentación frecuentemente durante la codificación

Build, Test, Release, Deploy: El Pipeline CI/CD

Una vez que el código era comprometido, el pipeline CI/CD manejaba automáticamente:

• Build: Compilar código, construir imágenes Docker, empaquetar funciones Lambda
• Test: Ejecutar pruebas unitarias, pruebas de integración, escaneos de seguridad
• Release: Preparar artefactos para despliegue, etiquetar versiones
• Deploy: Desplegar a entornos de staging y producción (a menudo con puertas de aprobación manual)

Esta parte estaba bien automatizada, pero la fase de codificación que la alimentaba era todavía mayormente manual.

Monitor: Observabilidad y Alertas

El monitoreo post-despliegue era manejado por:

• CloudWatch para métricas de recursos AWS, logs y alarmas
• Prometheus/Grafana para métricas personalizadas y dashboards
• Otras herramientas de monitoreo dependiendo del entorno
• Investigación manual cuando se disparaban alertas

Gestión de Tareas y Revisión de Código

• Creación manual de tickets en Jira y actualizaciones
• Documentación manual en PRs y tickets
• Revisiones manuales de PRs con revisores humanos enfocándose en todo, desde sintaxis hasta arquitectura
• Verificaciones automatizadas básicas (linting, escaneos básicos de seguridad, análisis estático)

El Desafío: Distribución del Tiempo

Este flujo de trabajo funcionaba, pero la distribución del tiempo era problemática:

• 40-50% del tiempo: Leyendo documentación, entendiendo sintaxis y parámetros
• 30-40% del tiempo: Escribiendo código
• 10-20% del tiempo: Arquitectura, planificación y entendiendo integraciones de sistemas
• 5-10% del tiempo: Revisión de código y refinamiento

La mayoría de mi tiempo se gastaba en detalles de implementación en lugar del trabajo de mayor valor de arquitectura, planificación y entender el panorama general.

El Ahora: Flujo de Trabajo DevOps Potenciado por IA

Avancemos hasta hoy, y mi flujo de trabajo se ve completamente diferente:

Investigación: Descubrimiento Asistido por IA

• Modo Ask de Cursor para investigaciones técnicas profundas

  • Hacer preguntas complejas sobre servicios de AWS, patrones de Terraform o decisiones de arquitectura
  • Obtener respuestas contextuales basadas en mi codebase y documentación
  • Preguntas de seguimiento para profundizar en temas específicos

• Exploración de CLI asistida por IA (AWS CLI, Terraform CLI, kubectl, etc.)

  • Usar IA para ayudar a construir consultas y comandos CLI complejos
  • Entender relaciones y dependencias de recursos en proveedores de nube
  • Depurar problemas de infraestructura con investigación guiada por IA
  • Generar y validar comandos CLI antes de ejecutarlos
  • Aprender nuevas herramientas CLI más rápido con asistencia de IA

Desarrollo: De Codificar a Arquitecturar

• Cursor como mi IDE principal (reemplazando VS Code)

  • Generación y comprensión de código más inteligente
  • Mejor conciencia del contexto en todo el codebase
  • Integración fluida con flujos de trabajo de IA

• Biblioteca de IA: Una colección curada de prompts, patrones de codificación y mejores prácticas

  • Ejemplos dorados de patrones comunes (módulos de Terraform, funciones Lambda, etc.)
  • Documentación del ciclo de vida del desarrollo de software
  • Modos de agente para diferentes tipos de tareas (investigación, planificación, codificación, revisión)
  • Prompts reutilizables que capturan los estándares y preferencias de mi equipo

• Enfoque de planificación primero:

  • Modo Plan o prompts personalizados para arquitectar soluciones antes de codificar
  • Documentos de planificación en Markdown para proyectos grandes con múltiples tareas
  • Descomponer problemas complejos en pasos manejables y bien definidos
  • La IA ayuda a identificar casos límite y problemas potenciales temprano

• Cambio de enfoque:

  • Menos codificación manual, más arquitectura y diseño
  • Más revisión de código y refinamiento
  • Codificación manual solo cuando la IA no lo hace bien (lo cual se está volviendo menos frecuente)

Gestión de Tareas: Documentación Automatizada

• MCPs (Model Context Protocol) para gestión automatizada de tareas

  • Crear y actualizar tickets de Jira automáticamente
  • Generar descripciones de tareas y criterios de aceptación
  • Vincular tareas relacionadas y rastrear dependencias

• Integración de GitHub CLI con IA

  • Generar descripciones de PRs automáticamente
  • Crear changelogs completos
  • Documentar decisiones y compensaciones

• Documentación en Markdown para planificación

  • Los proyectos grandes obtienen documentos de planificación detallados en markdown
  • La IA ayuda a estructurar y organizar iniciativas complejas
  • Documentos vivos que evolucionan con el proyecto

Revisión de Código: Asistencia Multi-Capa de IA

• Revisiones automatizadas de PRs con múltiples herramientas:

  • Bugbot para detección de bugs y calidad de código
  • CodeQL Scanning para vulnerabilidades de seguridad
  • Revisión de PRs de Cursor para arquitectura y mejores prácticas

• Las revisiones manuales permanecen, pero ahora:

  • Enfocarse en arquitectura de alto nivel y lógica de negocio
  • La IA maneja las verificaciones tediosas (formato, bugs comunes, problemas de seguridad)
  • Los revisores pueden enfocarse en lo que más importa

El Cambio de Paradigma: De Expertos en Documentación a Expertos en Arquitectura

El cambio más profundo no es sobre las herramientas—es sobre dónde gasto mi energía cognitiva. El cambio de leer documentación detallada al desarrollo asistido por IA ha cambiado fundamentalmente lo que significa ser un ingeniero senior.

Antes: Inmersiones Profundas en Documentación

Previamente, ser un buen ingeniero significaba:

• Leer y memorizar documentación extensa
• Entender cada parámetro, opción y detalle de sintaxis
• Mantener modelos mentales de APIs y configuraciones complejas
• Referenciar documentación constantemente durante el desarrollo

Esto era necesario pero consumía mucho tiempo. Pasaba horas leyendo documentación de AWS, documentos de proveedores de Terraform, referencias de API de Kubernetes—no para entender los conceptos, sino para entender los detalles exactos de implementación.

Ahora: Comprensión de Alto Nivel + Asistencia de IA

Hoy, mi enfoque ha cambiado fundamentalmente:

Leo y entiendo la arquitectura y conceptos de alto nivel, y dejo los detalles de implementación—la sintaxis exacta, los parámetros específicos, el formato de configuración preciso—a la IA.

Cómo Se Ve en la Práctica

Cuando necesito implementar algo nuevo:

1. Comprensión de alto nivel: Leo la vista general arquitectónica, entiendo el propósito del servicio, cómo se integra con otros sistemas, sus limitaciones y sus implicaciones de costo.

2. La IA maneja los detalles: La IA genera el código con lo correcto:

   • Sintaxis y formato
   • Parámetros requeridos y opcionales
   • Mejores prácticas y patrones
   • Manejo de errores y casos límite

3. Yo reviso y valido: Evalúo si la solución es arquitectónicamente sólida, segura y apropiada para el caso de uso.

“Pero la IA Se Equivoca A Veces…”

Sí, la IA comete errores. Puede usar sintaxis obsoleta, malentender un requisito o alucinar parámetros que no existen.

Y está bien.

¿Por qué? Porque es más rápido corregir un error de sintaxis que leer toda la documentación tú mismo.

Piénsalo:

• Antes: Pasar 30-60 minutos leyendo documentación → Escribir código → Tal vez introducir un bug → Depurar
• Ahora: Pasar 5 minutos entendiendo el concepto → La IA genera código → La revisión toma 10 minutos → Corregir cualquier error (detectado por IA, automatización o revisión manual) → Desplegar

Incluso cuando la IA se equivoca, la corrección es rápida:

• Los linters y pruebas automatizadas detectan errores de sintaxis inmediatamente
• La revisión de código asistida por IA detecta errores lógicos
• La revisión manual detecta problemas arquitectónicos

El tiempo ahorrado en lectura de documentación supera con creces el tiempo gastado en corregir errores de IA.

Dónde la Experiencia Humana Todavía Importa (Mucho)

Esto no significa que podamos volvernos perezosos o dejar de aprender. De hecho, el estándar de lo que importa ha subido:

Habilidades Críticas para la Era de la IA

1. Arquitectura y Diseño de Sistemas

   • Entender cómo los sistemas se integran y comunican
   • Diseñar arquitecturas escalables y resistentes
   • Hacer trade-offs entre diferentes enfoques

2. Seguridad y Cumplimiento

   • Entender principios de seguridad y modelos de amenazas
   • Revisar código generado por IA para vulnerabilidades de seguridad
   • Asegurar cumplimiento con regulaciones y estándares

3. Redes e Infraestructura

   • Entender cómo funcionan las redes, balanceadores de carga y DNS
   • Depurar problemas complejos de infraestructura
   • Diseñar arquitecturas de red

4. Calidad de Código y Patrones

   • Evaluar si el código generado por IA es bueno, mantenible y sigue mejores prácticas
   • Entender patrones de diseño apropiados para problemas específicos
   • Identificar code smells y posibles problemas

5. Análisis de Problemas

   • Entender QUÉ necesita ser construido
   • Determinar CUÁNDO necesita ser construido y en qué orden
   • Analizar costos y ROI
   • Sopesar pros y contras de diferentes enfoques de implementación
   • Identificar riesgos y dependencias

6. Contexto de Negocio

   • Entender el problema de negocio que se está resolviendo
   • Alinear soluciones técnicas con objetivos de negocio
   • Comunicar trade-offs a las partes interesadas

La Nueva Distribución del Tiempo

Con asistencia de IA, mi distribución de tiempo se ha invertido:

• 5-10% del tiempo: Entendiendo sintaxis y detalles de implementación (la IA maneja esto)
• 10-15% del tiempo: Escribiendo y revisando código
• 50-60% del tiempo: Arquitectura, planificación y entendiendo integraciones de sistemas
• 15-20% del tiempo: Entendiendo requisitos, costos, trade-offs y contexto de negocio
• 10-15% del tiempo: Validación, pruebas y aseguramiento de calidad

El trabajo ahora es sobre entender el problema profundamente, no implementar la solución manualmente.

La Analogía del Asistente Inteligente

Piensa en la IA como un asistente altamente capaz:

• Antes: Tenías que hacer todo tú mismo, incluyendo todo el trabajo tedioso de investigación e implementación
• Ahora: Tienes un asistente que puede investigar, redactar e implementar—pero necesita tu guía y revisión

Si guías a este asistente apropiadamente:

• Proporcionar requisitos claros y contexto
• Revisar el output críticamente
• Corregir errores y refinar la solución
• Validar que resuelve el problema correcto

Puedes producir trabajo de mayor calidad, más rápido, mientras enfocas tu energía en las partes que verdaderamente requieren experiencia y juicio humano.

La Verificación de Realidad

Déjame ser claro: Todavía necesitas poder leer y escribir código. Todavía necesitas entender cómo se ve el buen código, qué vulnerabilidades de seguridad existen, cómo escalan los sistemas y cómo operan las redes.

La diferencia es que no estás gastando tu tiempo memorizando cada parámetro de cada API o escribiendo cada línea de código tú mismo. En cambio, estás:

• Guiando a la IA para producir la solución correcta
• Revisando código generado por IA críticamente
• Arquitecturando sistemas que son seguros, escalables y mantenibles
• Resolviendo problemas complejos que requieren creatividad y experiencia

La IA no ha bajado el estándar—lo ha elevado. La expectativa ahora es que puedes moverte más rápido, construir más y enfocarte en problemas de mayor nivel. Los ingenieros que prosperan son aquellos que pueden aprovechar la IA efectivamente mientras mantienen experiencia profunda en las áreas que más importan.

El Cambio Más Importante: Planificación Asistida por IA

Si tuviera que elegir un cambio que haya tenido el mayor impacto, sería la planificación asistida por IA.

Antes, la planificación existía pero consumía mucho tiempo y a menudo estaba incompleta. Pasaba mucho tiempo investigando, creando planes básicos, y luego empezaba a codificar—solo para descubrir problemas más tarde que requerían retrabajo. Ahora, la planificación asistida por IA hace que el proceso sea más rápido, más completo y más efectivo:

1. Usar IA para explorar el espacio del problema - Hacer preguntas, entender restricciones, identificar incógnitas
2. Generar un plan estructurado - Descomponer el trabajo en tareas, identificar dependencias, estimar complejidad
3. Documentar el plan - Crear documentos markdown que sirven como especificaciones vivas
4. Revisar y refinar - Usar IA para identificar brechas, casos límite y problemas potenciales
5. Ejecutar con confianza - Tener un plan sólido hace que la ejecución sea mucho más fluida

Este enfoque de planificación primero ha reducido el retrabajo, detectado problemas antes y hecho que los proyectos complejos sean mucho más manejables.

Ideas Clave y Lecciones

1. La IA No Reemplaza el Pensamiento—Lo Amplifica

El mayor malentendido es que la IA te hace perezoso o menos hábil. Lo opuesto es cierto. La IA maneja las tareas repetitivas y que consumen tiempo, liberándote para enfocarte en:

• Decisiones de arquitectura y diseño
• Resolución de problemas complejos
• Pensamiento estratégico
• Revisión de código y aseguramiento de calidad

2. La Planificación es Más Rápida y Completa

La IA no elimina la planificación—la hace más rápida y completa. Lo que solía tomar horas de investigación manual e inmersión profunda en documentación ahora sucede en minutos, permitiéndome:

• Entender el problema profundamente sin leer cada parámetro y detalle de sintaxis
• Diseñar la arquitectura de la solución con exploración asistida por IA de conceptos de alto nivel
• Descomponer el trabajo en tareas claras con mejor análisis de dependencias
• Identificar riesgos y casos límite que podrían haberse pasado por alto
• Enfocarse en el “qué” y “por qué” en lugar del “cómo” al nivel de sintaxis

El resultado es mejor planificación en menos tiempo, lo cual paga dividendos a lo largo del ciclo de vida del proyecto. Estoy gastando tiempo en arquitectura y trade-offs, no en memorizar parámetros de APIs.

3. La Documentación se Vuelve Viva y Útil

La documentación tradicional a menudo se vuelve obsoleta. Con documentación asistida por IA:

• Los PRs incluyen automáticamente descripciones completas
• Los tickets de Jira están bien documentados y actualizados
• Los documentos de planificación evolucionan con el proyecto
• El conocimiento se captura y es accesible

4. La Revisión de Código Cambia el Enfoque

Con la IA manejando muchas de las verificaciones mecánicas, los revisores humanos pueden enfocarse en:

• ¿Esto resuelve el problema correcto?
• ¿Es sólida la arquitectura?
• ¿Hay casos límite que estamos perdiendo?
• ¿Esto se alinea con nuestros objetivos a largo plazo?

5. La Curva de Aprendizaje es Real pero Vale la Pena

Adoptar este flujo de trabajo requirió:

• Aprender Cursor y sus características
• Construir una biblioteca de IA de prompts y patrones
• Desarrollar nuevos flujos de trabajo y hábitos
• Experimentar para encontrar qué funciona mejor

Pero la inversión ha valido la pena. Soy más productivo, produzco trabajo de mayor calidad y tengo más tiempo para los problemas interesantes y desafiantes.

Las Herramientas Que Lo Hicieron Posible

Herramientas de Desarrollo Principales

• Cursor: El IDE que hace que el desarrollo primero en IA sea natural
  • Modo Ask para investigaciones técnicas profundas
  • Modo Plan para arquitectura y diseño
  • Generación inteligente de código con contexto completo del codebase
  • Integración fluida con flujos de trabajo de IA

Model Context Protocol (MCPs)

Los MCPs permiten que la IA interactúe con herramientas y servicios externos, automatizando flujos de trabajo que solían ser manuales:

• ClickUp MCP: Creación automatizada de tareas, actualizaciones y documentación en ClickUp
• GitHub MCP: Gestión de PRs, seguimiento de issues y operaciones de repositorio
• Jira MCP: Automatización de tickets, actualizaciones de estado y gestión de proyectos
• Otros MCPs: Integraciones personalizadas para Slack, Confluence, herramientas de monitoreo y más

Interfaces de Línea de Comandos (CLIs)

Los CLIs se vuelven poderosos cuando se combinan con asistencia de IA:

• AWS CLI: La IA ayuda a construir consultas complejas, entender relaciones de recursos y depurar problemas de infraestructura
• Terraform CLI: Gestión de estado asistida por IA, validación de planes y operaciones de infraestructura
• kubectl: Operaciones de Kubernetes guiadas por IA e inspección de recursos
• Otros CLIs: CLIs de proveedores cloud (Azure, GCP), herramientas de infraestructura (Docker, Ansible) y herramientas personalizadas

La clave es usar IA para:

• Generar comandos CLI correctos
• Entender salidas de comandos
• Depurar errores y problemas
• Aprender nuevas herramientas CLI más rápido

Herramientas de Calidad y Revisión de Código

• Bugbot: Detección automatizada de bugs y análisis de calidad de código
• CodeQL: Escaneo de vulnerabilidades de seguridad y análisis estático
• Revisión PR de Cursor: Revisión de arquitectura y verificación de mejores prácticas
• GitHub CLI: Descripciones automatizadas de PRs, changelogs y documentación

Documentación y Planificación

• Markdown: Formato simple y poderoso para documentos de planificación y especificaciones vivas
• GitHub CLI: Documentación automatizada de PRs y generación de changelogs
• MCPs: Documentación automatizada en sistemas de gestión de tareas

¿Qué Sigue?

Esta evolución no está completa. Constantemente estoy refinando mis flujos de trabajo, agregando nuevos prompts a mi biblioteca de IA y encontrando nuevas formas de aprovechar la IA. Algunas áreas que estoy explorando:

• Mejor integración entre documentos de planificación y gestión de tareas
• Flujos de trabajo de revisión de código mejorados que combinan múltiples herramientas de IA
• Sistemas de gestión del conocimiento que capturan y reutilizan aprendizajes
• Flujos de trabajo automatizados desde detectar un problema en monitoreo hasta abrir un PR usando IA, ahora es posible con Sentry. Explorando otras herramientas (aunque esto es tema para otro post)

Conclusión

La transformación de un flujo de trabajo DevOps tradicional a uno potenciado por IA ha sido profunda. Estoy pasando menos tiempo en tareas repetitivas y más tiempo en el trabajo que realmente importa: arquitectura, planificación y resolución estratégica de problemas.

Si eres un ingeniero DevOps (o cualquier ingeniero) considerando cómo la IA podría encajar en tu flujo de trabajo, mi consejo es:

1. Comienza con una herramienta - No intentes cambiar todo a la vez
2. Construye tu biblioteca de IA - Captura prompts, patrones y flujos de trabajo que funcionen
3. Adopta la planificación - Usa IA para ayudarte a planificar mejor, no solo a codificar más rápido
4. Enfócate en el trabajo de alto valor - Deja que la IA maneje las cosas repetitivas
5. Sigue aprendiendo - Las herramientas y capacidades están evolucionando rápidamente

El futuro de DevOps no se trata de reemplazar ingenieros con IA—se trata de ingenieros e IA trabajando juntos para construir mejores sistemas, más rápido.

¿Has experimentado transformaciones similares en tu flujo de trabajo? Me encantaría escuchar sobre tu viaje. Encuéntrame en LinkedIn.