Consejos y experiencias reales en ingeniería de software, IA aplicada y desarrollo de soluciones digitales que marcan la diferencia.

Gemini CLI llega a Zed y pone inteligencia artificial directamente en tu editor de código, integrando los modelos Gemini en el entorno Rust de Zed para ofrecer una experiencia tan rápida y sensible como el propio editor.

La combinación de Gemini CLI y Zed une terminal e IDE para acelerar tareas habituales: generar y refactorizar código en el lugar con un comentario y un atajo, obtener explicaciones inmediatas de fragmentos de código o mensajes de error, y chatear de forma natural desde el terminal integrado usando el comando gemini.

Esta integración va más allá de funciones aisladas y propone un nuevo flujo de trabajo con agentes IA donde el desarrollador mantiene el control: sigue en tiempo real los cambios que el agente realiza en múltiples archivos, revisa las modificaciones con una interfaz tipo pull request que muestra diffs claros, acepta o ajusta los cambios sin copiar y pegar, y aporta contexto adicional al agente apuntando a URLs con documentación o especificaciones de API.

La promesa de ingenieros de software basados en inteligencia artificial ya no es un sueño lejano sino una realidad práctica. Dos protagonistas relevantes en este terreno son Replit Agent y Lovable.dev. Ambos pueden transformar un prompt de alto nivel en aplicaciones funcionales, pero representan filosofías distintas. Contratar uno u otro no es solo evaluar funcionalidades sino tomar una decisión estratégica que afecta flujo de trabajo, flexibilidad y el coste mensual.

Filosofías centrales: ecosistema frente a especialista

Replit Agent actúa como un taller completo y gestionado en la nube. Sus planes Core incluyen el IDE en la nube, hosting integrado, bases de datos, almacenamiento de objetos y el agente IA nativo que domina ese entorno. Es una oferta empaquetada pensada para la simplicidad y velocidad dentro de una plataforma unificada.

Lovable.dev funciona como un especialista de alto nivel que se integra con tu stack existente. Se conecta con herramientas como VS Code y GitHub y domina tecnologías modernas como React, Next.js, Vercel y Supabase. No es un ecosistema cerrado sino un agente IA centrado en producir componentes dentro del stack que tú ya controlas.

Comparativa práctica de costes para una app comercial

Supongamos que necesitamos una aplicación web comercial con estos requisitos: base de datos productiva con backups diarios, almacenamiento de objetos para uploads, autenticación social (Sign in with Google), email transaccional para notificaciones y hosting apto para uso comercial. En la práctica los costes iniciales típicos se distribuyen así.

Replit Ecosystem: el agente IA suele estar incluido en el plan Core junto con IDE, hosting, base de datos y almacenamiento, lo que deja un coste mensual inicial muy competitivo, alrededor de 25 USD al mes en muchos escenarios para el paquete base.

Lovable + Stack personalizado: el agente IA puede tener un coste propio en torno a 29 USD al mes en planes starter o consumo por créditos, más servicios especializados como Supabase Pro para backups y Auth (~25 USD), y Vercel Pro para hosting comercial (~20 USD), sumando un punto de partida cercano a 74 USD mensuales en muchos casos.

Lo anterior coloca a Replit como opción más barata al inicio. Sin embargo el valor real depende de cómo planeas escalar y cuánto control o velocidad necesitas.

Escalado y propuesta de valor

Modelo de costes Replit ofrece una suscripción todo en uno. Es muy eficiente al principio porque una sola factura cubre plataforma e infraestructura. Lovable apuesta por un modelo modular donde pagas por cada servicio especializado. Es más caro al inicio pero te permite elegir soluciones mejor posicionadas por componente.

Experiencia de desarrollo Replit ofrece simplicidad y velocidad con una pila preintegrada. No obstante, funciones complejas como la autenticación social pueden requerir que el desarrollador o el agente IA escriban y mantengan lógica personalizada. Con Lovable y servicios como Supabase Auth reduces tiempo de desarrollo y mantenimiento porque algunas piezas vienen gestionadas, aunque gestionas varios proveedores.

Flexibilidad y control Replit limita parte del control al ecosistema; escalar suele significar comprar más unidades de cómputo o mejorar el plan. Con un stack modular tienes control granular para sustituir componentes y escalar únicamente lo que lo necesita, lo que puede ser más eficiente a medio y largo plazo.

Preguntas estratégicas clave

1. Puedo lanzar un MVP comercial en un plan gratuito para ahorrar dinero Técnicamente es posible pero no recomendable. Muchas plataformas gratuitas imponen pausas por inactividad y no ofrecen backups, lo que supone un riesgo para la experiencia de usuario y la continuidad del negocio. Pagar una tarifa baja por un plan Pro es una póliza de seguro que evita problemas críticos.

2. Existe una alternativa más barata a Supabase Pro Sí, proveedores como Neon o Render ofrecen Postgres a menor coste. El riesgo es que solo proporcionan la base de datos y te obligan a construir y mantener servicios adicionales como Auth y Storage, lo que aumenta el coste en tiempo de desarrollo. A menudo el ahorro mensual se pierde en horas de ingeniería.

¿Y qué debe elegir tu empresa?

La decisión se reduce a simplicidad frente a control. Elige Replit Agent si buscas minimizar coste inicial y prefieres una plataforma integrada que reduzca tareas de infraestructura. Elige Lovable.dev si priorizas flexibilidad, quieres usar servicios especializados como Supabase y Vercel y necesitas control granular para escalar por componentes.

Cómo Q2BSTUDIO puede ayudarte

En Q2BSTUDIO somos expertos en desarrollo de software a medida y aplicaciones a medida, con experiencia en inteligencia artificial aplicada a empresas, ciberseguridad y servicios cloud aws y azure. Ayudamos a equipos a decidir si conviene una solución todo en uno o una arquitectura compuesta por servicios especializados, y ejecutamos la implementación completa para garantizar seguridad, escalabilidad y mantenibilidad.

Hola a todos, me presento y comparto el proyecto que se ha vuelto mi obsesión. Para los que prefieren un resumen técnico, aquí va en formato comentario de código: // Name: AtomiJD // Coding Since: 1976 APL on IBM 5100 // Current Stack: C++, Python, C# // Core Passion: Building programming languages

Mi primera experiencia con la programación fue en un IBM 5100 usando APL. Pero esto no es solo memoria histórica. La pregunta que planteo es simple: y si BASIC no hubiera dejado de evolucionar y hubiera adoptado ideas de APL, Python y LISP y además se hubiera preparado para la era de la inteligencia artificial?

El sprint de desarrollo

El resultado de ese experimento es jdBasic, un intérprete creado en un intenso maratón de código de dos meses. No fue un trabajo solitario a oscuras, fue un proceso colaborativo con modelos de IA como asistentes de diseño. El objetivo fue combinar la simplicidad retro con potencia moderna.

Qué es jdBasic y sus rasgos principales

jdBasic es un intérprete moderno fácil de aprender y suficientemente potente para tareas complejas. Sus características más destacadas incluyen programación orientada a arrays inspirada en APL, un núcleo funcional con funciones de orden superior y lambdas, sintaxis para estilo orientado a objetos mediante TYPE ENDTYPE, un motor 2D para crear juegos retro con sprites y tilemaps, programación reactiva tipo hoja de cálculo con un operador flecha para dependencias automáticas, y un motor de IA integrado con objetos Tensor y diferenciación automática para entrenar redes neuronales dentro del propio intérprete.

Ejemplos prácticos de uso

1. Pipelines funcionales

numbers = IOTA(10) result = numbers |> FILTER(lambda val -> val > 5, ?) |> SELECT(lambda v -> v * 10, ?) PRINT Result: ; result

2. One liners estilo APL para manipulación de arrays y visualización

BD=1967-10-21:W=41:H=21:D=DATEDIFF(D,CVDATE(BD),NOW()):X=D-W/2+IOTA(W):C=RESHAPE([ ],[H,W]):PY=INT((SIN(2*PI*X/23)+1)*((H-1)/2)):EY=INT((SIN(2*PI*X/28)+1)*((H-1)/2)):IY=INT((SIN(2*PI*X/33)+1)*((H-1)/2)):C[H/2,IOTA(W)-1]=-:C[IOTA(H)-1,INT(W/2)]=|:C[PY,IOTA(W)-1]=P:PRINT Biorhythm for BD | PRINT FRMV$(C)

3. Tipos estilo objeto para juegos

TYPE Player Name AS STRING Health AS INTEGER SUB TakeDamage(damage) THIS.Health = THIS.Health - damage IF THIS.Health < 0 THEN THIS.Health = 0 PRINT THIS.Name ; takes ; damage ; damage ENDSUB ENDTYPE DIM Hero AS Player Hero.Name = Arion Hero.Health = 100 Hero.TakeDamage(15)

4. IA integrada y diferenciación automática

A = TENSOR.FROM([[1,2],[3,4]]) B = TENSOR.FROM([[5,6],[7,8]]) C = MATMUL(A,B) TENSOR.BACKWARD C PRINT Gradient of A: ; TENSOR.TOARRAY(A.grad)

A quién va dirigido

jdBasic está pensado para educadores y aficionados que quieren un entorno sencillo para enseñar conceptos, desarrolladores indie que desean prototipar juegos 2D sin la complejidad de grandes motores, estudiantes y curiosos de IA que buscan entender redes neuronales sin depender exclusivamente del ecosistema Python, y power users que necesitan un lenguaje flexible para scripting y automatización.

Q2BSTUDIO y cómo encaja esto en soluciones empresariales

La incipiente industria de la inteligencia artificial, y en particular los grandes modelos de lenguaje, ha sido una espada de doble filo para las industrias creativas. Si bien impulsa innovaciones sin precedentes, su dependencia de enormes conjuntos de datos para el entrenamiento ha generado intensos debates y desafíos legales sobre derechos de propiedad intelectual. Autores, artistas y creadores han denunciado cada vez con más frecuencia que sus obras fueron utilizadas por sistemas de IA sin permiso ni compensacion, lo que ha dado lugar a una compleja red de demandas en todo el mundo.

En ese contexto Anthropic, desarrollador destacado por sus modelos Claude, ha alcanzado un acuerdo que puede marcar un antes y un despues: la empresa acepta pagar 1,5 mil millones de dólares a autores, el mayor acuerdo de copyright de IA en EE. UU. Este pacto busca compensar a creadores cuyas obras supuestamente fueron usadas sin autorizacion para entrenar los modelos de Anthropic. Aunque los detalles sobre la distribucion del monto y los terminos exactos aun no se han hecho publicos por completo, la magnitud del acuerdo es en si misma un reconocimiento del valor del contenido original y un paso proactivo para abordar el tema del origen de los datos.

Las implicaciones son profundas para todos los implicados. Para autores y creadores representa una victoria relevante y un posible precedente para futuros modelos de compensacion, reforzando la idea de que el trabajo creativo tiene valor tangible en el ecosistema de IA. Para otras empresas desarrolladoras de inteligencia artificial supone una advertencia directa y una guia potencial: replantear practicas de entrenamiento, considerar acuerdos de licencias y establecer dialogos con titulares de derechos para evitar litigios largos y costosos.

Cristalyse: único paquete Flutter con MCP integrado presenta una nueva forma de crear visualizaciones de datos asistidas por inteligencia artificial, diseñada para desarrolladores que quieren aumentar productividad y reducir cambios de contexto. En lugar de interrumpir el flujo para buscar documentación, Cristalyse v1.6.1 incorpora soporte nativo para Model Context Protocol MCP permitiendo a asistentes de código acceder directamente al conocimiento de la libreria desde el IDE.

¿Por qué es un avance importante? MCP no es solo otra característica, es un cambio en la experiencia de desarrollo. La documentación deja de ser un recurso externo para convertirse en una extensión del entorno de trabajo. Para desarrollo de charts en Flutter esto se traduce en cero cambios de contexto entre IDE y docs, acceso instantáneo a ejemplos funcionales, guías en tiempo real sobre APIs complejas y ayuda contextual que entiende lo que intentas construir.

La necesidad técnica: las librerias de charts y las APIs basadas en grammar of graphics tienen una superficie de uso amplia y conceptos entrelazados como capas de geometría, mapeos, escalas, transformaciones, animación y manejo de interacciones. Construir un grafico suele implicar coordinar multiples piezas y aquí la asistencia por IA agrega valor real al reducir la carga cognitiva.

Cómo funciona MCP en términos sencillos: cuando consultas a tu asistente de código sobre Cristalyse, la pregunta se procesa, se identifica el contexto como relacionado con Cristalyse, el asistente hace una petición segura al servidor MCP de Cristalyse, recupera fragmentos de documentación, ejemplos y referencias y combina esa información con su conocimiento para ofrecer una respuesta completa y contextualizada sin que salgas del editor.

Experiencia de desarrollo simplificada: la configuración es minimalista y pensada para flujos de trabajo de IA. Una vez habilitado el conector MCP en tu asistente, puedes pedir ejemplo completos en el IDE. Por ejemplo, para un grafico con doble eje Y el asistente puede sugerir en términos legibles una estructura como CristalyseChart().data(businessData).mapping(x: month, y: revenue, y2: customers).geomLine(color: Colors.blue).geomLine(yAxis: YAxis.secondary, color: Colors.green).scaleYContinuous(format: NumberFormat.currency(), title: Revenue).scaleY2Continuous(format: NumberFormat.decimalPattern(), title: CustomerCount).theme(ChartTheme.business()).animate(duration: Duration(milliseconds:1500)).build() y explicar que el mapeo y2 crea el eje secundario mientras que indicar yAxis secondary en la geometria asigna esa linea al eje derecho.

Por que la combinacion grammar of graphics e IA es potente: las APIs composables se benefician de una ensambladura guiada. AI puede recomendar mapeos adecuados como fill para barras apiladas, posiciones de geometria para stacking, transformaciones estadisticas y paletas de color, haciendo accesibles caracteristicas avanzadas a desarrolladores que de otra forma se limitarian a graficos basicos.

Implementacion tecnica resumida: un servidor MCP es un servicio HTTP liviano que indexa la documentacion, empareja ejemplos de codigo, devuelve referencias de API con parametros y sugiere patrones y manejo de errores. Las respuestas se optimizan para que asistentes de IA las parseen e integren en respuestas coherentes. En la practica la latencia suele ser de 200 a 500 ms, con caching y protecciones contra abuso.

Impacto real y casos de uso: preguntas que ahora se resuelven en el IDE incluyen manejo de series temporales con metricas multiples, optimizacion para grandes volúmenes de datos mediante downsampling y virtualizacion, tooltips avanzados que muestran datos relacionados y personalizacion de temas oscuros con ratios de contraste adecuados. Esto reduce tiempo de desarrollo y mejora la calidad del diseño visual.

Como arquitecto cloud, he aprendido que tus datos son tu responsabilidad, no la de tu proveedor. Los proveedores te ofrecen almacenamiento, cómputo y servicios gestionados, pero al final del día te corresponde a ti garantizar que tus datos estén protegidos, sean soberanos y resistentes. Por eso no confío en un único proveedor para mis datos y tampoco deberías hacerlo tú.

La antigua estrategia 3-2-1 de copias de seguridad, tres copias, dos formatos, una fuera del sitio, sigue vigente en la era cloud. La redundancia te protege frente a fallos. Una copia de seguridad no es solo una instantánea, es un registro de tus datos en un momento concreto, una póliza contra errores, corrupción o episodios peores. Si dependes de un único proveedor, pones en riesgo tu negocio ante una caída, un cambio en los términos de servicio o una subida de precios inesperada. Un segundo proveedor cloud no es un lujo, es una tabla de salvación.

La soberanía de los datos importa. Prefiero almacenar los datos en el país donde opera la organización. Por qué, porque allí conoces las reglas, conoces cómo tu gobierno protege o no la privacidad, conoces las regulaciones, las autoridades y las vías de recurso si algo sale mal. La soberanía no es solo cumplimiento, es confianza. Una vez que tus datos cruzan fronteras, quedan sujetos a leyes y prioridades extranjeras, exponiéndote a riesgos impredecibles. En Europa valoramos la privacidad y la independencia y hemos construido regulaciones robustas para proteger datos personales y empresariales. Mantener los datos cerca de casa te hace beneficiario de esas protecciones.

No hay más de una versión de tus datos de producción. Tu entorno de producción se ejecuta sobre un único conjunto de datos en vivo. Las copias son grabaciones valiosas pero congeladas en el tiempo. La replicación entre nodos o entre proveedores añade resiliencia pero con costes más altos. Como arquitecto debes encontrar el equilibrio adecuado. Para algunas cargas, las copias son suficientes. Para sistemas críticos, la replicación en vivo merece la inversión. Nunca confundas una copia de seguridad con una réplica: sirven para propósitos distintos.

Evita el vendor lock-in: el camino más seguro hacia el encierro es depender en exceso de servicios propietarios y nativos de un proveedor. Al principio son convenientes, pero con el tiempo se convierten en cadenas que te atan. Prefiero tecnologías estándar porque están ampliamente soportadas y facilitan la migración: Kubernetes para orquestación, imágenes Docker para aplicaciones, Postgres para bases, almacenamiento compatible con S3 para objetos. Cuanto más estandarices, menos dependes del ecosistema de un proveedor.

Ejecutar cargas en varios proveedores tiene costes operativos y exige disciplina, pero qué cuesta un incidente de seguridad o una indisponibilidad prolongada. Los supuestos ahorros de una arquitectura mononube se desvanecen cuando algo falla. El multi cloud te da palancas, opciones y reduce la dependencia de una única postura de seguridad. Sí, una huella mayor puede ampliar la superficie de ataque, pero con buenas prácticas de ciberseguridad y gobernanza reduces el riesgo de fallo catastrófico. En definitiva, la resiliencia no es barata, pero perder el control de tus datos tampoco lo es.

Medidas prácticas que puedes aplicar ya: mueve tus copias de seguridad a otro proveedor para añadir resiliencia; ejecuta tu base de datos con un proveedor local para que los datos residan bajo leyes familiares y solo tengas que cambiar la cadena de conexión; utiliza almacenamiento compatible con S3 fuera de tu nube principal para diversificar sin reescribir aplicaciones; separa el cómputo de los datos, aprovechando el poder de cálculo de un hyperscaler mientras mantienes los datos críticos con un proveedor de confianza. Pequeños pasos como estos reducen la dependencia y te devuelven control.

En Q2BSTUDIO ayudamos a empresas a diseñar estrategias de datos seguras y soberanas. Somos una empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio y automatización de procesos. Ofrecemos soluciones de software a medida y aplicaciones a medida que integran prácticas de resiliencia y cumplimiento para que tus datos siempre estén bajo control. Si buscas una estrategia multi cloud o asesoría para separar cómputo y datos, podemos ayudarte con migraciones, arquitecturas basadas en estándares y mejoras en seguridad.

Las librerías Python más pequeñas suelen tener el mayor impacto. Son ligeras, fáciles de usar y pueden mejorar al instante tus scripts, automatizaciones y prototipos de software a medida. En Q2BSTUDIO, empresa especializada en desarrollo de software, aplicaciones a medida, inteligencia artificial y ciberseguridad, recomendamos estas 10 herramientas para acelerar proyectos, desde pruebas rápidas hasta soluciones para clientes empresariales.

1. Rich Añade salida de terminal bonita con colores, tablas, barras de progreso y hasta Markdown. Instalación pip install rich. Uso básico console.print para texto enriquecido. Ideal para mejorar la experiencia de herramientas de línea de comandos en proyectos de software a medida y demos para clientes.

2. tqdm Barras de progreso sencillas para bucles. Instalación pip install tqdm. En segundos conviertes loops monótonos en barras elegantes. Muy útil en procesos de ETL y pruebas de rendimiento en pipelines que forman parte de servicios inteligencia de negocio.

3. Fire Convierte cualquier función en una CLI automáticamente. Instalación pip install fire. Perfecto para crear utilidades internas rápidas y prototipos de herramientas para administración de servidores en servicios cloud aws y azure.

4. Loguru Logging fácil y bonito con mínima configuración. Instalación pip install loguru. Recomendado para mantener registros claros en desarrollos de software a medida y para depuración durante integraciones con agentes IA y APIs externas.

5. Schedule Programación de tareas con sintaxis humana. Instalación pip install schedule. Es ideal para jobs simples, tareas de mantenimiento y orquestación ligera sin la complejidad de un gestor de tareas completo.

6. Pyperclip Manipulación del portapapeles de forma inmediata. Instalación pip install pyperclip. Muy práctico en scripts de automatización y utilidades que facilitan flujos de trabajo manuales en proyectos de consultoría.

7. Halo Spinners y feedback visual en terminal para interfaces de línea de comandos. Instalación pip install halo. Añade un toque profesional a instaladores, asistentes y scripts de despliegue en entornos cloud.

8. IceCream Depuración más rápida y limpia que los tradicionales print. Instalación pip install icecream. Su salida clara acelera el diagnóstico en desarrollos complejos como integraciones de modelos de inteligencia artificial.

9. Typer Creación de CLIs modernas y amigables en minutos. Instalación pip install typer. Ideal para empaquetar utilidades internas y herramientas que luego se integran en soluciones empresariales o en pipelines de automatización de procesos.

10. Humanize Convierte números y fechas en formatos humanos legibles. Instalación pip install humanize. Perfecto para informes y visualizaciones donde se use power bi o dashboards integrados en proyectos de servicios inteligencia de negocio.

Resumen de la lista de desarrollo de Apache Iceberg 1–5 sept 2025: en la primera semana de septiembre la comunidad aceleró las actividades de liberación y discusión técnica alrededor del Iceberg Lakehouse. Steven Wu coordinó el proceso de liberación de Apache Iceberg 1.10.0 proponiendo 1.10.0 RC4 con identificador de commit, enlaces a los tarballs en dist.apache.org e instrucciones para verificar firmas y checksums, solicitando votos en 72 horas. Ese mismo día publicó RC5 que incorporó correcciones finales y aclaró que los binarios de conveniencia estaban disponibles en Maven Central, invitando a PMC y a la comunidad a descargar y probar los candidatos y demostrando el enfoque en reproducibilidad y pruebas.

En paralelo Fokko Driessprong cerró la votación para 0.10.0 rc3 con seis votos positivos, incluidos tres vinculantes, sin objeciones, marcando el fin de la línea 0.10.x y el enfoque en la serie 1.x.

Sobre API y empaquetado, Alex Stephen propuso publicar el modelo auto generado rest-catalog-open-api.py como paquete Python independiente para que PyIceberg y otros consumidores importen los modelos oficiales y evitar divergencias entre implementaciones. También se discutió la gestión de dependencias opcionales en PyIceberg: André Luis Anastácio abrió el debate sobre si mantener integraciones con Pandas, DuckDB, Polars y otras librerías opcionales complica el mantenimiento y si convendría reducir o fijar requisitos de versión para simplificar la gestión.

En gestión de proyecto y contribuciones, Jian Chen solicitó revisión comunitaria para la PR 13301 para impulsar una mejora pendiente; Steven Wu compartió un informe de estado sobre la 1.10.0 destacando bloqueadores resueltos y agradeciendo las pruebas de candidatos; Kevin Liu avanzó en la integración del Analytics Accelerator para Amazon S3 con propuestas para lecturas vectorizadas y benchmarks de uso de heap; Alexandre Dutra informó sobre pruebas de la integración del Dremio Auth Manager con el catálogo REST y cuestiones abiertas sobre el mapeo de roles; y Viktor Kessler convocó a una meetup comunitaria en Dublín como previo al Arrow y Iceberg Summit.

Conclusiones: la comunidad mostró un ritmo intenso de liberaciones, énfasis en reproducibilidad, pruebas y colaboración para integrar mejoras en rendimiento, seguridad y compatibilidad con ecosistemas como Dremio y Amazon S3.

Esta semana me dediqué a empezar la Página de Aterrizaje. La idea era una página limpia y sencilla para explicar la app, mostrar cómo funciona y ofrecer un punto de entrada claro para los usuarios. Monté la estructura básica con componentes UI: una sección hero, un área simple de tres pasos 'Cómo funciona' y un footer. Los cimientos están puestos, pero la página está a medias. Aquí cuento por qué.

Lo que salió bien: limpié el código de demostración del dashboard y preparé el proyecto. Añadí una barra lateral desplegable que servirá para la navegación del sitio. Empecé la página de aterrizaje con el hero y las secciones ya esbozadas.

Lo que no fue tan bien: no pude terminar la página esta semana. Planeé abordarla en dos sesiones largas de codificación y no se dieron por temas de tiempo. Además me frenaron decisiones de diseño y arquitectura: cuánto acabado es suficiente ahora, usar utilidades por todas partes o inclinarme por variables CSS para el theming, y qué significa realmente MVP para una landing. Esas dudas ralentizaron el progreso, pero son parte del proceso de aprendizaje.

Aprendizaje y regla nueva: dejar de depender solo de bloques largos de tiempo. Mi nueva regla es sencilla. Al menos una hora cada noche. Progreso pequeño y constante. Si cae un bloque largo el fin de semana, perfecto, pero la base será esfuerzo diario y sostenido.

En paralelo estoy aprendiendo herramientas y prácticas que usan muchas empresas modernas: Tailwind v4, ShadCN UI, organizar componentes en un monorepo y optimizar mi propio flujo de trabajo. La página de aterrizaje no está terminada, pero está empezada, y eso ya cuenta. Media página de aterrizaje sigue siendo mejor que nada.