La amenaza que nadie está midiendo
En los próximos 12 meses, un solo ingeniero con el stack de agentes adecuado va a iterar más rápido que la mayoría de equipos de producto. Las empresas que sobreviven no son las más grandes — son aquellas cuyo know-how está documentado (para poder reorientarse rápido) y cuya infraestructura está lista para agentes (para que un giro estratégico cueste días, no trimestres). Yo te ayudo a construir las dos cosas, en paralelo con lo que ya tenéis que entregar — esa es la diferencia que la mayoría de candidatos no sabe ni nombrar.
Documentar el know-how
Procesos pilotados por agentes que capturan decisiones, runbooks y conocimiento tácito mientras ocurre — no una auditoría trimestral en Confluence.
Infra preparada para agentes
Servidores MCP + herramientas internas componibles para que el siguiente pivote sea un prompt, no una reescritura.
En paralelo con la entrega
Las dos cosas pasan junto al roadmap que ya tenéis. Sin programa de transformación de seis meses; los artefactos componen desde la primera semana.
Por qué la velocidad a producción es la palanca
La categoría HR-tech no se decide en quién mete IA primero — se decide en qué equipo de plataforma sabe enchufarla al stack existente (datos + payroll + compliance) sin un rebuild de seis meses. El blog de ingeniería de Factorial ya marcó 2024 como el año en que empezasteis a entregar features de IA end-to-end; lo que compone en 2026 es tener un ingeniero capaz de cerrar el loop completo: infra, datos, capa de agente, superficie cliente. Esa es la cuña — y es exactamente lo que hago hoy día a día.
Qué está haciendo tu competencia
Las tres referencias de abajo se han movido en el mismo eje que Factorial — distinto tamaño, mismo playbook — y cada una se puede defender ante el comité con un único enlace público.
Personio
Roadmap público con automatización HR dirigida por IA como prioridad de plataforma 2025 — peer europeo directo.
Mismo mercado, mismas restricciones de compliance UE, mismos datos. Lo que Personio entregue primero se convierte en la expectativa por defecto en la próxima RFP donde compitáis — la velocidad a producción es la única respuesta.
Source: personio.com/about
Workday
Adquirió Sana para enchufar una capa agéntica sobre un núcleo HCM de 20 años.
Cuando el incumbente compra una capa de agentes en lugar de construirla, el veredicto está claro: los agentes son trabajo de plataforma ahora, no una apuesta de research. Cita esto si alguien en la sala dice 'todavía es pronto'.
Source: newsroom.workday.com
Mercadona Tech
Plataforma propia en lugar de SaaS — peer español, escala parecida.
Mismo dilema build-vs-buy en otra industria: cuando el loop de datos + ops es el moat, pagar margen SaaS en cada capa compone hasta convertirse en cuello de botella estratégico. Sus posts describen qué mantuvieron y qué reescribieron.
Source: mercadonatech.com/blog
Ninguna de las tres es un FAANG. El patrón es portable a un equipo del tamaño de Factorial con el ingeniero adecuado, no con un programa de transformación de seis meses.
Lo más cercano en mi portfolio
Misma forma que el trabajo de fiabilidad de Factorial en 2026: una plataforma con deuda, sin un dueño dedicado, y la necesidad de defender cada decisión con datos reales en lugar de opinión.
Tech lead de facto en un equipo de 2-3 personas. Propietario de infra, ingestión, orquestación, warehouse y un ciclo de desarrollo dirigido por agentes que llevó el merge-to-prod de días a horas. Lideré la migración Redshift→Snowflake en caliente; pasé de fallos diarios a cero incidencias forzadas.
Qué haría en tus primeros ~90 días
Primer foco: el flujo HR interno con más fricción (el parsing de documentos de incorporación es un candidato fuerte) reconstruido como un agente que cubre el 70% de extremo a extremo, con un traspaso limpio al humano para el 30% restante. Mismo patrón que entregué en una fintech: un runbook de Confluence de 40 pasos convertido en un bucle automático de 4 horas. Segundo foco: trazas tipo Langfuse sobre las llamadas a modelos que ya alimentan vuestro asistente de IA, para defender cada decisión de roadmap con datos reales de coste y calidad. Tercer foco: un adaptador MCP sobre el data warehouse para que los agentes internos respondan "cuántas bajas laborales hubo el último trimestre" sin construir otro dashboard. El patrón compone; la feature es solo la prueba.
Si tras la llamada no encaja, sin presión — y os quedáis con el análisis que ya escribí.
Fidel Pérez · Senior Data Engineer · AI-First · 11+ años