WEB
En esta categoría comparto una selección de utilidades web que utilizo en mi día a día y que me han dado excelentes resultados. Entiendo el hecho de «mostrar tu web» como una ventana abierta para compartir información con el mundo y aportar soluciones reales.
Además, analizo qué elementos de la estructura web son clave hoy en día para apalancar el posicionamiento, logrando que tu contenido sea fácilmente indexado tanto por búsquedas humanas como por los nuevos motores de IA para sus referencias y opiniones.
+
ROADMAP PARA APRENDER DESARROLLO WEB
LA IA BAJÓ EL TECHO DE ENTRADA PARA HACER SOFTWARE
No estudias código para escribirlo, estudias código para juzgarlo, depurarlo y arquitecturarlo — y encima de eso construyes la capa de IA aplicada, que es donde está la demanda que no está saturada. Ese es el orden de las fases que siguen.
Lectura de contexto:
0
Fase 0 — Diagnóstico honesto (2 semanas · ~15 h)
Antes de estudiar nada, medir. Sin esto vas a estudiar lo que te gusta, no lo que te falta.
0.1 Prueba técnica cronometrada sin IA
Toma un reto tipo entrevista de nivel medio (API con autenticación, paginación y tests) y date 4 horas con reloj, sin asistente. El objetivo no es que salga bonito: es medir dónde se te va el tiempo — ¿diseño?, ¿sintaxis?, ¿debugging?, ¿configuración del entorno? Ese diagnóstico define cuánto peso le das a la Fase 1. Tu último test tomó una semana; la meta al final del roadmap es que uno equivalente te tome medio día.
0.2 Auditoría de brechas contra ofertas reales
Toma 15 ofertas reales de desarrollador en Colombia/remoto que te interesen, extrae todos los requisitos y cuéntalos. Vas a ver un patrón (probablemente: TypeScript, cloud, testing, y cada vez más "experiencia con LLMs/RAG"). Estudia el patrón, no el catálogo completo.
0.3 Definición de una sola apuesta de posicionamiento
Elige un titular y sostenlo 9 meses. Sugerencia dado tu perfil: "desarrollador full-stack que construye funcionalidades de IA en producción" — no "experto en IA" (no lo eres todavía) ni "desarrollador Angular" (compites con miles). El nicho intermedio es el que está vacío.
1
Fase 1 — Fundamentos que la IA no te ahorra (8 semanas · ~70 h)
Esta fase se estudia distinto: no escribes código desde cero, lees y rompes código. Le pides a la IA que genere una implementación, y tu trabajo es encontrarle el error, explicar por qué falla y proponer la alternativa. La habilidad más valiosa hoy es el debugging, y la mejor manera de aprenderlo es limpiando el desastre que tú, o la IA, hacen.
1.1 JavaScript profundo + TypeScript
No "aprender JS" otra vez: entender el modelo de ejecución (event loop, closures, prototipos, async real) y el sistema de tipos. TypeScript es el filtro de contratación más común hoy en web, y además es lo que hace revisable el código generado por IA: los tipos son la primera línea de defensa contra una alucinación de la máquina.
1.2 La plataforma web de verdad: HTTP, navegador, rendimiento
Cachés, headers, CORS, cookies vs tokens, render crítico, Core Web Vitals. Cuando un agente te genera 300 líneas de frontend, lo único que te permite decir "esto va a ser lento en 3G" es esta capa. Tu blog en Angular Universal es un laboratorio perfecto: mide y arregla el suyo.
1.3 Datos: SQL, modelado y por qué se cae en producción
Índices, transacciones, N+1, normalización y cuándo romperla. Los LLMs generan queries que funcionan con 100 filas y colapsan con 100.000. Este es probablemente el diferencial técnico más rentable por hora invertida.
1.4 Testing y depuración como red de seguridad para código de IA
Unit, integración y e2e. La razón cambió: el test ya no es solo calidad, es el mecanismo con el que verificas trabajo que no escribiste tú. Sin tests, delegar en un agente es apostar.
1.5 Diseño de sistemas y arquitectura
Colas, caché, idempotencia, límites de servicio, resiliencia. Es lo que sigue siendo humano porque depende del contexto de negocio, y es lo que preguntan en entrevistas de nivel medio-senior — donde tú deberías apuntar, no a junior.
2
Fase 2 — Desarrollo agéntico: la IA como forma de trabajo (5 semanas · ~45 h)
Un dev experimentado con Claude Code o Cursor entrega en un día lo que antes tomaba mucho más, y esa diferencia de productividad es hoy un requisito, no un plus.
2.1 Herramientas agénticas de código
Claude Code, Cursor, Copilot. No como autocompletado: como delegación de tareas completas con supervisión. El aprendizaje real está en cómo estructurar el repo, los archivos de instrucciones y los permisos para que el agente sea confiable.
Claude Code-Best practices for agentic coding
2.2 Ingeniería de contexto (la habilidad que reemplazó al "prompt engineering")
La ingeniería de contexto es el arte de curar qué entra en la ventana de contexto limitada, gestionando todo el estado — instrucciones de sistema, herramientas, MCP, datos externos e historial — en lugar de solo redactar un prompt. Es transferible: sirve igual para trabajar con un agente de código que para construir tu propio producto de IA.
Effective context engineering for AI agents-Anthropic
Prompt engineering-Anthropic docs
2.3 Revisión de código generado: el nuevo trabajo del desarrollador
Aprender a leer un diff de 500 líneas que no escribiste y detectar el bug sutil, la fuga de seguridad o la decisión arquitectónica mala. Practica deliberadamente: pide implementaciones, revísalas antes de ejecutarlas, apunta lo que se le escapó al modelo.
2.4 Sesiones largas y trabajo multi-contexto
Cómo mantener a un agente productivo en tareas que exceden una ventana de contexto: archivos de progreso, disciplina de commits, entornos preparados. La clave es que el agente entienda rápido el estado del trabajo al arrancar con contexto limpio, usando un archivo de progreso junto al historial de git.
3
Fase 3 — IA aplicada: construir con LLMs (10 semanas · ~90 h)
Hoy "AI Engineer" significa un ingeniero de software que construye sistemas listos para producción usando modelos preentrenados y APIs — integrando modelos de compañías como OpenAI o Anthropic en productos reales: chatbots, procesadores de documentos, asistentes y sistemas de automatización. Es decir: es tu perfil actual + una capa nueva. No hay que volverse investigador.
3.1 APIs de LLM y salida estructurada
Llamadas, streaming, tokens, temperatura, costos, JSON estructurado, manejo de errores y reintentos. Piensa en los LLMs como otro servicio externo, parecido a una base de datos o una API de pagos, salvo que las respuestas son probabilísticas. Esa mentalidad ahorra meses.
Anthropic API - Getting started
3.2 RAG: recuperación aumentada
Embeddings, chunking, bases vectoriales, reranking, citación de fuentes. Es el caso de uso empresarial número uno y el que más se pide en ofertas. Proyecto natural para ti: el RAG que ya habías pensado, pero hazlo sobre el contenido de trucospadesarrollo.com — así tienes demo pública, dominio propio y un post explicándolo.
Pinecone-Learn (RAG y vectores)
Contextual Retrieval - Anthropic
3.3 Evaluaciones (evals): lo que separa un demo de un producto
Cómo medir si tu sistema de IA funciona: datasets de prueba, métricas, LLM-as-judge, detección de regresiones. Es la parte menos glamorosa y la más contratable, porque sin evals nadie puede poner IA en producción con responsabilidad.
Your AI Product Needs Evals - Hamel Husain
Writing effective tools for AI agents - Anthropic
3.4 Agentes y orquestación
Cuándo un flujo simple basta y cuándo se justifica un agente; herramientas, loops, control de costos, human-in-the-loop.
Building effective agents - Anthropic
3.5 MCP (Model Context Protocol)
El estándar para conectar modelos con herramientas y datos. Saber construir un servidor MCP propio es hoy una habilidad escasa y muy visible en un portafolio.
Code execution with MCP - Anthropic
3.6 Ruta de referencia completa
Para no perderte, compara tu avance contra rutas ya curadas por gente que contrata en este campo.
4
Fase 4 — Producción y seguridad (4 semanas · ~35 h)
4.1 Despliegue, observabilidad y costos
Vercel/Railway/Fly, variables de entorno, CI/CD, logs, trazas, alertas y control de gasto de inferencia. Un sistema de IA sin control de costos se vuelve un problema financiero rápido.
4.2 Seguridad de aplicaciones web
Lo de siempre y sigue vigente: inyección, autenticación rota, control de acceso, XSS.
4.3 Seguridad específica de LLMs
Categoría nueva y crítica. La edición 2026 del OWASP Top 10 para aplicaciones LLM se centra en una filosofía de diseño: en lugar de intentar construir un LLM que no pueda ser engañado, hay que endurecer la arquitectura alrededor para que, cuando el modelo sea comprometido, el impacto quede contenido. La inyección de prompts sigue en el primer puesto. Saber esto te distingue inmediatamente de quien solo hace demos.