Entorno de Desarrollo e Infraestructura para IA

Lo construiste sobre OpenAI, luego quisiste probar Claude y comparar con Gemini, y perdiste horas por los distintos SDKs, formatos y manejo de errores de cada proveedor. Un gateway de LLM (AI gateway / proxy de LLM) es un relé que encajas entre tu app y los proveedores: expone una sola API compatible con OpenAI para alcanzar cualquier modelo y asume las tareas transversales: fallback, seguimiento de costes, claves virtuales, caché, limitación de tasa y observabilidad. Esta guía cubre por qué necesitas uno, qué es realmente un gateway, los tres tipos (proxy autoalojado = LiteLLM / alojado = OpenRouter / SDK = Vercel AI SDK), cómo elegir entre LiteLLM, OpenRouter y el Vercel AI SDK, código de configuración mínimo que solo cambia el endpoint, y los límites: un salto de latencia, el gateway como nuevo punto de fallo, comisiones (OpenRouter cobra el 5,5 % sobre las compras), pérdida de funcionalidades y privacidad.

Si usas Claude Code el tiempo suficiente, te topas con un dilema: una confirmación en cada comando interrumpe tu flujo, pero desactivarlas todas con la omisión es peligroso. El sandbox rompe ese binario delimitando qué se puede tocar a nivel del sistema operativo, de modo que los comandos se ejecutan con libertad dentro sin confirmaciones y nada llega al exterior. Esta guía cubre los dos aislamientos (sistema de archivos y red), los primeros pasos con /sandbox (macOS funciona sin más, Linux/WSL2 necesita bubblewrap+socat, Windows nativo no es compatible), el modo de autoaprobación frente al normal, la configuración de settings.json (allowWrite/denyRead, credentials, allowedDomains), cómo complementa a los modos y reglas de permisos como una tercera capa impuesta por el sistema operativo, sus límites (TLS sin inspeccionar, sockets Unix) y cuándo recurrir a contenedores de desarrollo o máquinas virtuales. Anthropic informa de que redujo las confirmaciones de permisos en un 84% en su uso interno.

¿Puedes delegar a la IA la operación de AWS? En 2026 puedes delegar mucho. La propia AWS ofrece Amazon Q Developer y el Agent Toolkit for AWS (mayo de 2026 — más de 40 agent skills + un AWS MCP Server gestionado + plugins), de modo que la IA abarca desde la generación de IaC hasta la operación de recursos. Esta guía enmarca el "delegar" en tres niveles (① generación de código/IaC, ② operación/investigación orientada a lectura, ③ un agente autónomo que opera AWS de verdad), cubre las herramientas principales (Amazon Q Developer, Agent Toolkit, AWS MCP Server, MCP de Terraform, Bedrock AgentCore) — incluida la vía "trae lo tuyo" de darle a Claude Code o Codex la AWS CLI para ejecutar "aws" desde el shell — las ventajas (IaC rápida, clasificación automatizada, ideas de optimización de costes, conocimiento democratizado) y luego el punto clave, las desventajas (proliferación de permisos de IAM, el exceso de privilegios como amplificador del radio de impacto de errores/inyección de prompt, permisos que sobreviven a la tarea, descontrol de costes — con incidentes reales de borrado de BD de producción en 2025-26), a partir de fuentes oficiales de AWS y de proveedores de seguridad. El giro clave: la pregunta no es "¿se puede?" sino "¿cómo delegar sin un descontrol o una explosión de la factura?" — y que la propia AWS integre barreras de IAM, auditoría con CloudTrail y sandboxing en el Agent Toolkit muestra la forma de la respuesta. Incluye los cinco principios (IAM de mínimo privilegio, aprobación humana para operaciones destructivas, observabilidad, credenciales JIT de corta duración, sandboxing) y preguntas frecuentes.

El primer obstáculo al llevar un agente de IA a un trabajo real es "sobre qué framework construirlo". Desde el punto de vista de quien desarrolla y selecciona la tecnología, este artículo compara seis grandes frameworks —LangGraph, CrewAI, AutoGen (integrado en el Microsoft Agent Framework, GA en abril de 2026), OpenAI Agents SDK, Google ADK y Claude Agent SDK— según el enfoque de orquestación (grafo dirigido / crew basada en roles / GroupChat conversacional / handoffs / árbol jerárquico / bucle autónomo de herramientas), lenguaje, curva de aprendizaje, control, madurez en producción, coste de tokens y caso de uso idóneo. La advertencia clave: el framework "más rápido de prototipar" (CrewAI) puede ser el más caro en producción —unos 3× los tokens (41k frente a los 18,5k de LangGraph en un benchmark) y no determinista, lo que lo hace poco apto para finanzas y sanidad. También explica cómo 2026 trajo la interoperabilidad vía MCP (herramientas) y A2A (agente a agente), de modo que agentes de distintos frameworks ya pueden trabajar juntos y el lock-in se ha desvanecido. Incluye una guía de selección por caso de uso y preguntas frecuentes.

Aprende a controlar Claude Code con reglas de permisos allow / ask / deny en settings.json. Cubre la precedencia, la sintaxis Tool(specifier), la jerarquía de archivos y recetas prácticas para automatizar lo seguro y bloquear lo peligroso.

El modo de permisos de Claude Code decide con qué frecuencia se detiene a pedir permiso antes de editar o ejecutar comandos. Aprende en qué se diferencian los 5 modos (más dontAsk), cómo cambiar con Shift+Tab y cuál elegir para trabajar de forma segura.

El control deslizante de «Esfuerzo» de Claude Code, de «Más rápido» a «Más inteligente», decide cuánto razonamiento y cuántos tokens dedica la IA a cada respuesta. Te explicamos los 5 niveles de la API (low–max), por qué «Extra» es xhigh y no el máximo, cuál es el modo Ultracode y cómo configurarlo con /effort. Incluye una referencia rápida de qué nivel usar y cuándo.

Probablemente das por hecho que un LLM tiene que ejecutarse en la nube, pero en 2026 ejecutar la IA por completo dentro de tu propio PC —un "LLM local"— es una opción realista. Un LLM local significa ejecutar un modelo como ChatGPT o Claude directamente en tu máquina en lugar de en la nube. Los tres grandes atractivos son la privacidad (la entrada nunca sale de tu dispositivo), el coste cero (sin tarifas de API) y el uso sin conexión (funciona sin internet). Las desventajas: no es tan inteligente como la IA en la nube de primer nivel, necesita un PC razonablemente capaz, requiere algo de configuración y no tiene conocimiento actualizado. Esta guía para principiantes cubre qué es un LLM local (con una analogía de streaming vs. descarga), las ventajas y desventajas, las specs que necesitas y la cuantización (el formato GGUF, con Q4_K_M como referencia que mantiene la calidad reduciendo la memoria a una cuarta parte; unos 0,5 GB de memoria por cada 1B de parámetros a 4 bits), cómo empezar (la interfaz gráfica de LM Studio para principiantes, la línea de comandos de Ollama para desarrolladores: 52 millones de descargas mensuales en el Q1 de 2026), modelos recomendados de 2026 (Llama 3.2 7B, Google Gemma 4, Alibaba Qwen3.5, además de DeepSeek y Mistral, todos abiertos) y cuándo usar local frente a nube (local para trabajo confidencial, de alto volumen y sin conexión; la nube para problemas difíciles). El primer paso más rápido: ejecutar un modelo pequeño de 3B–7B en LM Studio.

La configuración del entorno es donde se atasca todo programador principiante. En 2026, la IA generativa (Claude Code, Codex, Cursor) es realmente útil para el trabajo rutinario de infraestructura: configuración del entorno local, generación de Dockerfiles, borradores de Terraform, pipelines CI/CD. HashiCorp lanzó su Terraform MCP Server oficial en 2026 y Anthropic publicó Agent Skills para cargar bajo demanda experiencia de infraestructura. Pero «delegarlo todo» es otra cuestión: un grupo de seguridad abierto a 0.0.0.0/0, una clave SSH subida a GitHub, una factura de AWS de 3.000 $ a fin de mes — todos son incidentes reales de 2026. Este artículo separa cinco áreas seguras para delegar, tres zonas de riesgo «verificar antes de confiar», cuatro áreas exclusivas para humanos, un flujo de cuatro pasos seguro para principiantes y las herramientas más recientes de 2026 (Claude Code, MCP, Agent Skills), centrado en la evaluación de capacidades, no en el impacto profesional.

Pregúntale a Claude Code o ChatGPT sobre construir una aplicación web y casi con total seguridad oirás «usa Next.js». Pero esa sugerencia nace de la frecuencia en los datos de entrenamiento, no de un juicio sobre tu proyecto. Este artículo desgrana las tres razones legítimas de la IA (dominio en los datos de entrenamiento / pilas incluidas / facilidad de despliegue con Vercel), explica la relación entre JavaScript / React / Next.js, recorre un flujo de decisión de 5 minutos (qué construir, SEO, BD, tiempo disponible, dónde alojar), mapea cuatro alternativas realistas (Astro, Vite + React, SvelteKit, HTML + vainilla) a sus casos de uso, presenta los cinco fundamentos imprescindibles para usar Next.js (App Router, Server vs Client Components, enrutamiento por archivos, variables de entorno, destinos de despliegue) y las tres trampas que atrapan a los principiantes (use-client por todas partes, lock-in con Vercel, la IA devolviendo código antiguo de Pages Router) — todo calibrado a mayo de 2026. Segunda entrega de la serie «La IA recomienda...» tras el artículo sobre Docker.

En febrero de 2026, Anysphere —la empresa detrás de Cursor— superó los 2.000 millones de dólares de ARR, dibujando en solo tres años una curva de ingresos SaaS en la liga de OpenAI y Anthropic. Este artículo cubre cómo Cursor se diferencia de VS Code al incrustar la IA directamente en la capa de renderizado (autocompletado con Tab por debajo de 100 ms, índice de código de 272 K tokens y las seis funciones clave: Tab / Edición en línea / Composer / Agent / Background Agents / Bugbot), las cinco diferencias concretas frente a VS Code, la comparación lado a lado con cuatro rivales (Windsurf / Zed / Claude Code / GitHub Copilot), la estructura de planes Hobby gratis / Pro 20 $ / Business 40 $ y una guía de decisión sobre "quién debería cambiar realmente", basado en datos de mayo de 2026.

En el verano de 2025, un desarrollador en solitario lanzó un servidor MCP llamado 21st.dev y, sin presupuesto de marketing, alcanzó 10.000 USD de MRR en 6 semanas. Otro desarrollador en Apify Store factura 2.000 USD/mes. Entonces, ¿se puede monetizar MCP de verdad? Mi respuesta es «sí, pero el 95 % va a fracasar». De los más de 12.000 servidores MCP publicados a marzo de 2026, menos del 5 % se ha monetizado con éxito. Este artículo cubre los 4 patrones de monetización (suscripción / pago por uso / modelo API key / freemium más tramo de pago), una comparativa real de marketplaces (MCPize con 85 % de reparto, Apify, Glama, Smithery, tu propio sitio más Stripe), casos con cifras (21st.dev a 10K MRR, Bright Data, Exa.ai, Tavily), los 6 patrones de fracaso, el playbook del desarrollador en solitario en 6 pasos, la estrategia de empresa («regalar MCP como embudo al SaaS existente») y un pronóstico a 1-3 años. Mi opinión franca: lo importante no es construir el servidor, es decidir cómo vender; y el modelo API key es el más prometedor.