El código ya lo escribe la IA. Dale a tu equipo el sistema para dirigirla.
Seis sesiones en directo para que tu equipo monte su harness de desarrollo con IA: el sistema que permite delegar trabajo en agentes y fiarse del resultado. Al acabar, el equipo se lo lleva listo para aplicarlo en vuestros proyectos.
Hasta 997 € por persona · cuanto mayor es el grupo, menor el precio por persona
- developers formados
- 10.000+
- años desarrollando software
- 15+
- Google Developer Expert
- GDE
- de AI Expert en directo
- 6ª edición
- 90 testimonios de alumnos
- ★★★★★
Nos has visto en
De prompts sueltos a un sistema de trabajo
La misma petición, dos destinos muy distintos. La diferencia no está en el modelo ni en pedir mejor: está en el entorno que rodea al agente.
hazme el login con Google
→ leyendo AGENTS.md y contexto
→ spec: alcance + criterios de aceptación
→ implementando (solo archivos del alcance)
✓ tests 12/12 · lint ok
✓ PR listo para tu revisión
Enciende el arnés
- tests
- ✓ 12/12
- alcance
- solo lo que dice la spec
- tu papel
- revisar el PR
Ese entorno tiene nombre: harness engineering. En esta formación lo monta tu equipo, con vuestro stack y vuestras reglas.
Seis sesiones, seis capas. Un arnés listo para vuestros proyectos
Cada sesión añade una capa sobre la anterior, con ejemplos de vuestro stack. Baja y mira cómo se completa el arnés del equipo.
sesión 1 · antes de escribir código
Discovery
Cómo funcionan de verdad los modelos (contexto, coste y límites) y una skill de discovery que obliga a resolver las dudas de una feature antes de implementarla.
sesión 1 — proyecto
$ skill discovery "exportar pedidos"
→ ¿quién lo usa? ¿qué formatos? ¿qué permisos?
+ docs/research/exportar-pedidos.md
✓ alcance cerrado antes de tocar código
sesión 2 · contexto compartido
Contexto y specs
Las reglas, la arquitectura y las convenciones del equipo pasan al repo. Cada feature empieza con una spec que dice qué se construye y cuándo está terminada, para personas y agentes.
sesión 2 — AGENTS.md
# AGENTS.md
- Arquitectura: docs/architecture.md
- Specs en /specs antes de implementar
✓ specs/exportar-pedidos.md · criterios de aceptación
sesión 3 · permisos y roles
Entornos y control
Elegir herramienta con criterio, con coste y privacidad sobre la mesa, y ponerle límites: permisos, hooks y subagentes separados para implementar y para validar.
sesión 3 — .agents/
$ agent run implementer specs/exportar-pedidos.md
→ implementer: solo archivos del alcance
→ validator: solo lectura, contra la spec
✓ hook pre-commit: lint + tests
sesión 4 · paralelo con evidencias
Loop engineering
Del issue al PR: varios agentes en paralelo, cada uno en su worktree, con skills del equipo y MCPs. Nada se da por terminado sin build, lint y tests en verde.
sesión 4 — flujo del equipo
$ git worktree add ../exportar-pedidos
→ 3 agentes en paralelo, sin pisarse
✓ build · lint · tests 48/48
✓ PR #212 listo para revisión
sesión 5 · APIs, RAG y modelos locales
IA en vuestro producto
La IA entra en el producto con control técnico: APIs, structured output, function calling, RAG, evals y modelos locales cuando la privacidad lo pide.
sesión 5 — src/ai/search.ts
await rag.search("condiciones de devolución")
→ 4 fragmentos relevantes · embeddings
→ evals: 18/20 respuestas con fuente correcta
✓ respuesta citando el documento
sesión 6 · el sistema completo
Adopción
Todo junto, de la spec al merge, con revisión humana donde importa. Y un plan para llevarlo al resto de proyectos del equipo sin que dependa de una sola persona.
sesión 6 — adopción
✏️ exportar-pedidos → spec
⚙️ filtros-busqueda → implementando
👀 login-sso → esperando revisión
✅ docs/harness.md · siguiente proyecto
✓ arnés completo
Cambiará la herramienta. El sistema sigue siendo vuestro.
El equipo termina con un arnés compartido pensado para vivir en el repo: funciona con Codex, Claude Code, Cursor, Copilot u OpenCode y no depende de quién lo montó.
Lo que se lleva tu equipo cuando acaba la formación
Estas son las piezas que el equipo monta durante la formación, listas para llevarlas a vuestros repos al día siguiente:
- ├── AGENTS.md
Contexto compartido
Reglas, arquitectura y convenciones escritas una vez, para todo el equipo y para cualquier agente.
- ├── specs/
Specs antes de ejecutar
Cada feature con alcance y criterios de aceptación. Se revisa lo que se acordó, no lo que se le ocurrió al agente.
- ├── .agents/skills/
Procesos repetibles
Tests, migraciones, refactors o releases convertidos en skills que usa todo el equipo, no en trucos de una persona.
- └── definition-of-done.md
Criterio para revisar
Qué evidencias hacen falta antes del merge: build, lint, tests y revisión humana donde el riesgo lo pide.
Para equipos que ya desarrollan software
Da igual que el equipo apenas use IA o que lleve meses con agentes a base de prueba y error. Lo que necesita es saber desarrollar. Esto es lo que encontrará (y lo que no):
Qué verá tu equipo en cada sesión
La base para trabajar con criterio, y la primera pieza del arnés: aterrizar una feature antes de que nadie, persona o agente, empiece a programar.
- Fundamentos LLM: tokens, contexto, coste, límites y fiabilidad.
- Investigación con IA: flujos de research sobre documentación, repos y dominios nuevos.
- Prototipado: ver una idea antes de invertir en construirla.
- Skill de discovery: las preguntas que hay que responder antes de implementar.
Trabajar con agentes ya no va de escribir buenos prompts, va de gestionar el contexto. Montamos la capa de contexto del proyecto y el flujo de specs que el equipo podrá adoptar.
- Context engineering:
AGENTS.md, arquitectura, reglas y convenciones del proyecto. - Spec-Driven Development: de idea a feature verificable, con o sin herramientas como OpenSpec o Spec-Kit.
- Specs como contrato: lo que se acuerda es lo que se construye, para personas y agentes.
- Continuidad: memoria y traspaso de contexto entre sesiones y entre personas.
El mapa de herramientas para elegir con criterio y la operativa para que los agentes ejecuten sin convertir el proyecto en una caja negra.
- Tipos de entorno: IDE, ADE y CLI: Cursor, Claude Code, Codex, OpenCode o Copilot, con coste y privacidad sobre la mesa.
- Capas de control: rules, hooks, permisos, modo plan y modos de trabajo.
- Subagentes con roles: implementación y validación separadas.
- Operativa segura: puntos de restauración y revisión antes de integrar.
De usar IA a orquestarla en el flujo real del equipo: loops que los agentes repiten (planificar, implementar, verificar, corregir) y varios agentes avanzando a la vez.
- Flujo completo: spec → issues → implementación → PRs listos para revisión.
- Paralelismo seguro: worktrees y workflows de GitHub sin pisarse.
- Skills del equipo: convertir los procesos repetibles en skills compartidas.
- MCPs y Definition of Done: herramientas externas y cierre con evidencias.
Llevar la IA al producto con control técnico, desde la prueba rápida hasta la integración que aguanta en producción.
- APIs de IA: proveedores, SDKs, tokens, streaming y control de costes.
- Capacidades avanzadas: structured output, function calling, RAG, embeddings y evals.
- Modelos locales: LM Studio, Ollama, privacidad, latencia y límites reales.
- Integración real: observabilidad y validación en producción.
El arnés funcionando de principio a fin, y cómo llevarlo al resto del equipo y de los proyectos sin que dependa de una sola persona.
- El arnés como motor: agentes usando contexto, specs y skills en trabajo real.
- Supervisión humana: revisión donde importa, automatización donde aporta.
- Adopción: por qué proyecto empezar y cómo extenderlo.
- Siguientes pasos: cómo seguir mejorando el arnés con cada modelo nuevo.
Fundamentos y discovery
La base para trabajar con criterio, y la primera pieza del arnés: aterrizar una feature antes de que nadie, persona o agente, empiece a programar.
- Fundamentos LLM: tokens, contexto, coste, límites y fiabilidad.
- Investigación con IA: flujos de research sobre documentación, repos y dominios nuevos.
- Prototipado: ver una idea antes de invertir en construirla.
- Skill de discovery: las preguntas que hay que responder antes de implementar.
Dos formas de empezar
Si queréis formar a un grupo, hacemos una edición solo para vuestro equipo. Si primero queréis probar con una o dos personas, la edición abierta también es bonificable.
Edición privada
Hasta 997 €
por persona · el precio por persona baja a medida que crece el grupo
Solo vuestro equipo, con fechas, ritmo y ejemplos adaptados a vuestro stack.
- 6 sesiones de 4 horas en directo
- En remoto o en vuestras oficinas
- En español o en inglés
- Impartida por Antonio y Nino, que se reparten los temas
- Bonificable por FUNDAE
Edición abierta de AI Expert
997 €
por persona · empieza el 3 de noviembre
El programa completo de 6 semanas, con profesionales de otras empresas, sobre el proyecto de cada uno.
- Clases en directo y sesiones de preguntas
- Grabaciones y futuras ediciones incluidas
- Modelos de IA incluidos durante 2 meses
- Bonificable por FUNDAE
- Duración
- 24 h en 6 sesiones de 4 h
- Formato
- Remoto o presencial
- Idioma
- Español o inglés
- Herramientas
- Las que ya uséis
El precio final depende del tamaño del grupo y del formato. Os mandamos una propuesta cerrada después de una primera llamada, sin compromiso.
Lo que cambia cuando el equipo deja de pedir y empieza a dirigir
Sus propias palabras, en formato diff: en rojo cómo trabajaban antes, en verde lo que se llevaron. Nada reescrito, solo recortado.
diff --git a/alumnos/santiago-perez-barber.md b/alumnos/santiago-perez-barber.md
@@ AI Expert · +18 −7 @@
1−Empiezas sabiendo "cacharrear" con herramientas de IA…
2+…una batería de recursos que te sirven para el día a día…
3+…y que aumentan exponencialmente tu rendimiento.
Santiago Pérez BarberBytacora Soluciones Informáticas SL · ★★★★★
Y el resto del historial
90 reviews · ★★★★★ · todas las formaciones
Pasa el ratón para pausar · pulsa una review para leerla entera
Profesores que aplican IA en proyectos reales
Antonio y Nino combinan desarrollo de software, sistemas con agentes, automatización, datos y experiencia docente. Trabajan directamente tanto en las formaciones como en los proyectos para empresas.
antonio@devexpert
Antonio LeivaGDE
Fundador DevExpert · Google Developer Expert
nino@devexpert
Nino RuanoIA · Big Data
Especialista en IA y Big Data · Formador
Es una shell de verdad (bueno, casi). Escribe help para ver los comandos.
Aprovecha la Bonificación FUNDAE
Tu empresa puede recuperar parte del importe con sus créditos de FUNDAE (antigua Fundación Tripartita). El proceso, en tres pasos:
Tu empresa contrata el curso
La formación se factura a nombre de la empresa.
La gestora tramita con FUNDAE
Colaboramos con una gestora especializada que acompaña en todo el papeleo, antes y después de la formación.
Devolución en los seguros sociales
Tu empresa recibe la bonificación aplicando el crédito de formación disponible.
¿Dudas con la bonificación? Escríbenos por WhatsApp y te ponemos en contacto con la gestora.
Preguntas frecuentes
Y si tu duda no está aquí, escríbenos por WhatsApp y te contestamos en persona.
01¿Cuánto cuesta la edición privada?+
02¿Es bonificable por FUNDAE?+
03¿Somos pocos, compensa una edición privada?+
04¿En qué idioma se imparte?+
05¿Cómo encaja en la agenda del equipo?+
06¿Qué herramientas usaremos?+
07¿Trabajáis con nuestro código?+
08En el equipo hay niveles muy distintos con la IA, ¿es un problema?+
09¿Qué diferencia hay con la edición abierta?+
El arnés de tu equipo empieza con una conversación
Cuéntanos cuántos sois, con qué trabajáis y qué os está costando. Te mandamos una propuesta cerrada, sin compromiso.