💻 computer science

From Prompt to Production: A Case Study of Human-AI Collaborative Software Development Using Claude Code Multi-Agent Orchestration

Este artículo presenta un estudio de caso exhaustivo sobre el desarrollo de una plataforma médica de grado de producción utilizando la orquestación de agentes múltiples de Claude Code, estableciendo un marco de competencia humano-IA, cuantificando las ganancias de rendimiento en diferentes configuraciones de IA y proponiendo estrategias de optimización de tokens para mejorar la productividad al tiempo que se reducen los costos.

Autores originales: Pham Thi Thuong, Nguyen Dang Quang, Ngo Thi Lan Phuong

Publicado 2026-07-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pham Thi Thuong, Nguyen Dang Quang, Ngo Thi Lan Phuong

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás construyendo un rascacielos masivo y complejo (un sistema de software) para gestionar licitaciones médicas. En el pasado, necesitarías una enorme cuadrilla de trabajadores de la construcción para hacer el trabajo pesado, ladrillo a ladrillo. Pero en este estudio, los investigadores probaron algo nuevo: contrataron a un único e increíblemente inteligente "Arquitecto de IA" (Claude Code) para que hiciera el 90% de la construcción real, mientras que un humano actuaba como el "Gerente de Obra".

Aquí está la historia de cómo construyeron este rascacielos, las reglas que siguieron y lo que aprendieron, explicado de forma sencilla.

1. El Proyecto: Un Mercado Médico Digital

El equipo construyó un sistema llamado SmartMedTender. Piensa en esto como un sofisticado mercado digital donde los hospitales pueden encontrar los suministros médicos adecuados y presentar ofertas.

La Escala: Es un edificio grande con 186 habitaciones diferentes (archivos de código), una base de datos de 26 tablas y una interfaz de usuario que parece una aplicación moderna.
El Equipo: Un experto humano (que sabe cómo compran las cosas los hospitales) y un asistente de IA.
El Resultado: Construyeron todo en unas 120 horas de trabajo activo. Los investigadores estiman que si un humano hubiera intentado hacer esto solo, habría tomado unas 600 horas. Eso es un impulso de velocidad de 5 veces.

2. La Fórmula Secreta: Cómo funciona la IA

La IA que utilizaron no es solo una herramienta de "autocompletar" que adivina la siguiente palabra. Es más como una Navaja Suiza con cerebro. El documento destaca cuatro superpoderes especiales que la IA utilizó:

El Maestro Planificador (Planificación Jerárquica): En lugar de decir "Construye una casa", la IA lo desglosa: "Primero, vierte los cimientos. Luego, levanta las paredes. Después, instala las ventanas". Descompone grandes objetivos en tareas diminutas y realizables.
La Cuadrilla Especializada (Orquestación de Multi-Agentes): Esta es la parte más importante. La IA no lo hace todo ella misma. Convoca a diferentes "sub-agentes" (mini-bots especializados) para trabajos específicos:
- Un agente actúa como el Arquitecto (dibuja los planos).
- Uno es el Constructor del Backend (instala las tuberías y el cableado).
- Uno es el Diseñador del Frontend (pinta las paredes e instala las puertas).
- Uno es el Inspector (busca grietas y errores/bugs).
- Analogía: Es como un director dirigiendo una orquesta. En lugar de que una persona intente tocar todos los instrumentos, tiene a un violinista, un baterista y un flautista trabajando juntos perfectamente.
El Auto-mejorador "Genético": Si la IA escribe un código y este es un poco desordenado, no se limita a esperar a que el humano lo arregle. Observa su propio trabajo, dice: "Hmm, esto no está del todo bien", y lo reescribe automáticamente hasta que es perfecto. Es como un escritor que edita su propio borrador antes de mostrárselo al editor.
El Kit de Herramientas: La IA sabe usar herramientas específicas (como ejecutar pruebas o buscar fallos de seguridad) sin necesidad de que se le indique exactamente en qué botón hacer clic.

3. El Trabajo del Humano: El "Director Estratégico"

El documento hace un punto crucial: el humano no es el programador; el humano es el director.

En los viejos tiempos, un programador escribía cada línea de código. En esta nueva forma, el trabajo del humano es:

Dar la Visión: Decir a la IA qué construir y por qué (por ejemplo, "Necesitamos emparejar productos basándonos en estas reglas médicas específicas").
Tomar las Grandes Decisiones: Elegir la tecnología y la estructura.
Verificar la Calidad: Mirar el producto terminado y decir: "Sí, esto funciona" o "No, esto no encaja con nuestras reglas".
Conocer el Dominio: La IA no sabe cómo funcionan las licitaciones médicas en Vietnam. El humano proporciona ese conocimiento específico.

Las 6 Habilidades Necesarias: Para ser un buen director, el humano necesita aprender seis nuevas habilidades, como escribir instrucciones muy claras (ingeniería de prompts), saber detectar errores rápidamente y saber descomponer grandes tareas en pequeñas.

4. Ahorrando Dinero: El Problema de los "Tokens"

Usar IA cuesta dinero basado en cuánto "piensa" (medido en "tokens"). Los investigadores descubrieron que si simplemente chateas con la IA de forma aleatoria, desperdicias mucho dinero. Descubrieron 5 trucos para ahorrar un 47% del costo sin perder calidad:

No lo lances todo a la vez: En lugar de pedir todo el edificio en una sola frase, pide los cimientos, luego las paredes, luego el techo.
Usa un archivo de "Memoria del Proyecto": En lugar de recordarle las reglas a la IA cada vez, mantén un documento maestro (como un libro de reglas) que la IA lea una vez y recuerde.
Usa al especialista adecuado: No le pidas al bot "Gerente General" que arregle una bombilla; pregúntale al bot "Electricista". Los especialistas cometen menos errores, por lo que no tienes que pagar por repetir el trabajo.

5. El Gran Experimento: Equipo vs. Solo

Para demostrar que su método funcionaba, realizaron una carrera con tres configuraciones diferentes:

El Súper Equipo (Opus + Multi-Agente): La IA más inteligente con la cuadrilla especializada.
El Equipo de Bajo Presupuesto (Sonnet + Multi-Agente): Una IA un poco más barata con la misma cuadrilla especializada.
El Trabajador Solitario (Opus Agente Único): La IA más inteligente, pero trabajando sola sin la cuadrilla ni las herramientas especiales.

Los Resultados:

Calidad: El "Súper Equipo" construyó el mejor código (puntuación de 92/100). El "Trabajador Solitario" fue mucho peor (69/100) porque cometió más errores y tuvo que ser reparado una y otra vez.
Velocidad: El Equipo terminó en la mitad del tiempo.
Costo: Sorprendentemente, el Equipo utilizó 48% menos tokens (dinero) que el Trabajador Solitario. ¿Por qué? Porque el Equipo lo hizo bien a la primera. El Trabajador Solitario seguía cometiendo errores, lo que requería costosas repeticiones.

La Conclusión

Este documento muestra que el futuro del software no se trata solo de tener una IA más inteligente. Se trata de cómo organizas la IA.

Si tratas a la IA como un trabajador individual que lo hace todo, se cansa, comete errores y cuesta una fortuna. Pero si tratas a la IA como un director que lidera un equipo de especialistas, con un humano actuando como el director, obtienes un resultado más rápido, más barato y de mayor calidad. El humano ya no necesita ser un genio de la programación; solo necesita ser un gran gestor que sepa dar instrucciones claras y revisar el trabajo.

Resumen Técnico: Del Prompt a la Producción mediante el Desarrollo de Software Colaborativo Humano-IA

Planteamiento del Problema

A pesar del rápido avance de los Modelos de Lenguaje de Gran Escala (LLM) y los asistentes de codificación por IA, persiste una brecha crítica en la literatura respecto a metodologías sistemáticas y con base empírica para el desarrollo de software colaborativo humano-IA de extremo a extremo. La investigación previa se ha centrado mayoritariamente en tareas de codificación aisladas, pruebas de programación competitiva o generación de archivos únicos, careciendo a menudo de validez ecológica. En consecuencia, los profesionales carecen de marcos de trabajo basados en evidencia para construir sistemas completos y de grado de producción desde su concepción hasta su despliegue. Sin tales marcos, las organizaciones corren el riesgo de incurrir en un uso ineficiente de tokens, degradación de la calidad debido a una supervisión inadecuada y deriva arquitectónica. Además, existe un desconocimiento sobre las competencias humanas específicas requeridas para dirigir eficazmente a los agentes de IA y sobre la eficacia comparativa de la orquestación multi-agente frente a los enfoques de agente único en escenarios del mundo real.

Metodología

Los autores abordan estas brechas a través de un estudio de caso exhaustivo de SmartMedTender, una plataforma de gestión de licitaciones médicas de grado de producción, con un stack completo de 186 archivos, desarrollada íntegramente mediante programación de par humano-IA utilizando Claude Code (impulsado por Claude Opus 4.8).

El Estudio de Caso

Alcance del Proyecto: Un sistema Full-Stack compuesto por Spring Boot (backend) y Vue 3 (frontend) para la contratación médica en Vietnam, que cuenta con OCR, análisis de requisitos impulsado por IA, emparejamiento de productos de estrategia múltiple y generación automatizada de ofertas.
Modelo de Colaboración: El colaborador humano (un investigador sénior con experiencia en el dominio) actuó como el Director Estratégico, proporcionando la visión, los requisitos y la supervisión de calidad. La IA se encargó de la descomposición jerárquica de tareas, la generación de código, las pruebas y la automatización del despliegue.
Flujo de Trabajo: Se estableció un proceso iterativo de siete fases: Dirección Estratégica $\rightarrow$ Planificación de la IA $\rightarrow$ Ejecución de la IA (mediante orquestación multi-agente) $\rightarrow$ Revisión Humana $\rightarrow$ Integración/Pruebas $\rightarrow$ Despliegue $\rightarrow$ Iterar.
Patrones de Comunicación: El estudio identificó cuatro modos de interacción: Directivo, Exploratorio, Refinamiento Iterativo y Autónomo.

Diseño Experimental

Para cuantificar los beneficios del enfoque propuesto, los autores realizaron experimentos controlados comparando tres configuraciones de IA a través de cinco tareas de ingeniería de software estandarizadas (Diseño de Arquitectura, Implementación de Backend, Implementación de Frontend, Pruebas y Revisión de Código):

Configuración 1 (C1): Claude Opus 4.8 con Orquestación Multi-Agente (la configuración completa de SmartMedTender).
Configuración 2 (C2): Claude Sonnet 4.6 con Orquestación Multi-Agente (alternativa consciente del costo).
Configuración 3 (C3): Claude Opus 4.8 sin Orquestación (Línea Base de Agente Único).

Las métricas incluyeron la finalización de tareas, la calidad de la salida (evaluada por expertos en una escala de 0 a 100), el consumo de tokens, la eficiencia de tiempo y el número de iteraciones.

Contribuciones Clave

1. Estudio de Caso de Extremo a Extremo (C1)

El artículo documenta el desarrollo completo de un sistema de producción de 186 archivos, proporcionando una referencia replicable para la comunidad de investigación. Detalla la transición desde los requisitos hasta un sistema desplegado, incluyendo el modelado del esquema de la base de datos, la implementación full-stack y la UAT (Pruebas de Aceptación de Usuario).

2. Caracterización de la Capacidad de la IA (C2)

Los autores identifican y cuantifican cuatro capacidades centrales de la IA esenciales para un desarrollo efectivo:

Planificación Jerárquica: Descomposición recursiva de requisitos de alto nivel en tareas implementables (ej. una jerarquía de tareas de 4 niveles).
Orquestación Multi-Agente: Utilización de sub-agentes especializados (Arquitecto, Backend Sénior, Frontend Sénior, Testers, DevOps, etc.) trabajando en pipelines secuenciales o paralelos.
IA Genética: Un bucle de generación autónoma y refinamiento iterativo donde la IA se autocrítica en cuanto a corrección, completitud y consistencia antes de la revisión humana.
Integración de Herramientas Basada en Habilidades: Invocación modular de capacidades especializadas (ej. code-review, simplify, verify) para construir flujos de trabajo personalizados.

3. Marco de Competencia Humana (C3)

Más allá de las habilidades de codificación tradicionales, el artículo formaliza un marco de competencia de seis dimensiones para el colaborador humano:

SK1: Ingeniería de Prompts y Escritura de Especificaciones.
SK2: Evaluación de la Salida de la IA (evaluación rápida de la corrección funcional, arquitectónica y de seguridad).
SK3: Comunicación de Refinamiento Iterativo (proporcionar feedback preciso y accionable).
SK4: Descomposición de Tareas y Gestión del Alcance (equilibrar la granularidad de las tareas).
SK5: Orquestación de Herramientas y Habilidades.
SK6: Conciencia y Optimización de Tokens.

4. Estrategias de Optimización de Tokens (C4)

Se propusieron cinco estrategias validadas empíricamente para reducir el consumo de tokens sin comprometer la calidad, logrando una reducción agregada del 47.3%:

Gestión de la Ventana de Contexto: Carga progresiva y segmentación de sesiones.
Prompting Incremental: Descomposición de peticiones complejas en secuencias enfocadas.
Reutilización de Artefactos: Aprovechamiento de la documentación persistente (ej. CLAUDE.md) para evitar la retransmisión de contexto.
Especialización de Agentes: Enrutamiento de tareas a sub-agentes optimizados en lugar de modelos de propósito general.
Calibración de la Granularidad de Tareas: Apuntar a 50–200 líneas de código por interacción para equilibrar la calidad y la sobrecarga.

5. Comparación Multi-Agente vs. Agente Único (C5)

El estudio proporciona la primera comparación cuantitativa de la orquestación multi-agente frente a los enfoques de agente único, demostrando que la orquestación supera significativamente a las líneas base de agente único en calidad, eficiencia y costo.

Resultados

Hallazgos Experimentales

Calidad: La configuración Multi-Agente (C1) alcanzó una puntuación de calidad promedio de 92.8, comparada con 69.4 de la línea base de Agente Único (C3), una diferencia de 23.4 puntos. La brecha fue más pronunciada en las tareas de pruebas (+26 puntos).
Eficiencia de Tokens: C1 consumió un 48.4% menos de tokens (promedio de 17,820) que C3 (promedio de 34,560). Este resultado contraintuitivo se atribuye a una mayor corrección en el primer intento, lo que redujo drásticamente el número de iteraciones de refinamiento (3.2 vs. 9.4).
Eficiencia de Tiempo: C1 completó las tareas un 47.4% más rápido que C3 (24.6 min vs. 46.8 min).
Eficiencia de Costos: La configuración Sonnet + Orquestación (C2) emergió como la más rentable, ofreciendo una alta calidad (85.6) al 44% del costo de tokens de C1, y un costo ajustado por calidad 5.6 veces mejor que la línea base de agente único.

Impacto de la Optimización de Tokens

La aplicación de las cinco estrategias de optimización resultó en una reducción del 47.3% en el gasto de tokens. Notablemente, estrategias como el prompting incremental y la especialización de agentes mejoraron simultáneamente la corrección del primer intento (en un 22% y 16%, respectivamente), desafiando la suposición de que la reducción de costos debe ocurrir a expensas de la calidad.

Significancia y Reivindicaciones

El artículo afirma establecer una base basada en evidencia para la ingeniería de software colaborativa humano-IA. Su significancia radica en:

Cambio de Paradigma: Pasar de ver a la IA como una herramienta de completado de código a un socio colaborativo que requiere dirección humana estratégica.
Definición de Nuevas Habilidades: Destacar que la colaboración efectiva con la IA requiere competencias distintas (escritura de especificaciones, evaluación de resultados) que difieren de la velocidad de codificación tradicional o el conocimiento algorítmico.
Validación de la Arquitectura: Demostrar que la arquitectura de la asistencia de IA (cómo se especializan y orquestan los agentes) es tan crítica como la capacidad del modelo subyacente.
Viabilidad Económica: Proporcionar estrategias concretas para hacer que el desarrollo asistido por IA sea económicamente viable mediante la optimación de tokens y el uso de modelos escalonados (ej. usar Sonnet para tareas rutinarias y Opus para arquitectura compleja).

Los autores concluyen que, si bien existen limitaciones (un solo proyecto, un solo colaborador humano), los marcos y estrategias presentados ofrecen una guía accionable para los profesionales que buscan maximizar la productividad y minimizar los costos operativos en el desarrollo asistido por IA.