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
En on-demand, ganar trimestre a trimestre depende menos del tamaño del equipo de plataforma y más de cuántos flujos operativos manuales (clasificación de tickets, triaje de on-call, detección de fraude, herramientas para partners) se han convertido en bucles agénticos. El blog de ingeniería de Glovo ya ha publicado sobre on-call asistido por agentes — la siguiente palanca es llevar ese patrón a cada flujo cuyo coste crece con el GMV. Esa es la palanca, y es exactamente la forma en que opero día a día.
Qué está haciendo tu competencia
Los tres ejemplos de abajo se han movido en el mismo eje que Glovo — distinto vertical, mismo playbook — y cada uno se puede citar con un único enlace público.
Klarna
Asistente de IA atendiendo el equivalente a ~700 agentes humanos en sus primeros meses.
Cota superior pública con números fuertes. Cuando alguien en tu sala diga 'la IA todavía no está lista para producción', este es el contraejemplo de un peer europeo, post-IPO, con métricas verificables.
Source: klarna.com/press
Stripe
Integración de IA en detección de fraude + onboarding de comerciantes — plataforma sobre plataforma.
Mismo eje que vuestras decisiones de fraude/marketplace: reduce el coste marginal de cada nuevo flujo, no de uno solo. Posts públicos en el blog técnico describen el patrón.
Source: stripe.com/blog
Mercadona Tech
Plataforma propia en lugar de SaaS — peer español de escala parecida.
Mismo dilema build-vs-buy: 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 hyperscaler. El patrón es portable a un equipo del tamaño de Glovo 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 y observabilidad de Glovo en 2026: plataforma con deuda, sin dueño dedicado, y necesidad de defender cada decisión con datos reales (coste por servicio, tasa de fraude) 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 de tickets de soporte con más fricción (probablemente alta de partners o disputas con riders) 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 tenéis (incluido el asistente de on-call), para defender el roadmap con datos reales de coste y calidad. Tercer foco: un adaptador MCP sobre el warehouse para que los agentes internos respondan "cuál fue la tasa de fraude por flujo el último mes" sin construir otro dashboard ad hoc. 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