Líder Técnico · TypeScript y SQL · Ingeniería aumentada con IA
Convierto problemas de negocio en software que funciona y datos confiables dirigiendo agentes de IA y equipos chicos y grandes (de hasta 40 personas), y ningún release sale sin pasar por mí.
Líder de operaciones técnicas con más de 10 años en software y más de 4 liderando equipos: de implementaciones de software automotriz a desarrollo y liderazgo. En un SaaS B2B dirigí su CRM, la automatización de WhatsApp y la producción en 6 VPS; hoy lidero QA, releases y migraciones de datos con agentes de IA bajo puertas de verificación. Antes dirigí equipos de hasta 40 personas en el IPN.
En Ciudad de México (UTC−6, sin horario de verano) · Trabajo en horario de EE. UU.: ET, CT y PT.
Puesto actual · SaaS para talleres automotrices
sucursales de clientes cuyos datos (órdenes, pagos, saldos y catálogos) pasé de Excel o de sistemas anteriores a la plataforma en producción
Los clientes nuevos operan desde el primer día con todo su historial.
de los registros cuadró con los archivos fuente en el caso documentado
Registros propios · puesto actual · caso documentado: 8,339 órdenes de 3 sucursales, 0 errores, 2026-09
Ver el caso de la migraciónPuesto actual · CRM y automatización de WhatsApp
de trabajo manual eliminadas cada mes con el CRM y la automatización de WhatsApp que dirigí (300+ cuentas activas)
El equipo dedica ese tiempo a los clientes, no a tareas repetitivas.
Registros propios · puesto actual
Verlo en el CV01Lo que hago
Diseño la arquitectura y la opero en producción: 6 VPS con monitoreo por servidor, modelos de datos multi-tenant y decisiones documentadas con las opciones que descarté.
Sistemas que crecen sin reescribirse y que otro ingeniero puede retomar.
Dirijo equipos de desarrollo, QA y soporte, desde equipos chicos hasta 40 personas: revisión de código, mentoría, playbooks y capacitación por perfil.
Un equipo que entrega sin depender de una sola persona.
Pruebo y apruebo cada ticket antes de salir y lo reviso otra vez en producción; atiendo incidentes y escalaciones L2/L3.
Menos fallas frente a tus clientes y menos retrabajo.
Más de 10 implementaciones presenciales, 100 despliegues remotos y migraciones de datos de más de 50 sucursales; llevo datos de Excel o de sistemas anteriores a producción con dry-run, QA y conciliación.
Clientes nuevos operando antes y sin perder datos.
CRM, Customer Success y automatización de WhatsApp con LLM para clasificar tickets; facturación electrónica CFDI 4.0. Dos productos propios: VetNova y REYBER.
Menos trabajo manual: unas 60 horas al mes en mi puesto actual.
Dirijo agentes de IA (Claude Code) que programan dentro de reglas, revisión de código y verificaciones que diseño yo.
Más entrega con el mismo equipo, sin bajar la calidad.
02Métricas
Cada cifra se rastrea a un reporte, un repositorio o una lectura de consola.
REYBER · plataforma para agencias de seguros (producto propio)
más chico el índice de búsqueda que con el diseño alternativo, probado a escala de una aseguradora grande (10 millones de pólizas)
Las búsquedas siguen rápidas y el servidor barato cuando crecen los datos.
Benchmark: 492 vs 3,030 MB · 2026-09-22
Ver el casoPuesto actual · control de calidad antes de cada release
tickets de desarrollo que probé y aprobé antes de salir; 18 regresé para corrección y 30 revalidé en producción
Los errores se detectan antes de que los vean tus clientes.
Caso de la puerta de QA · 2026-10
Ver el casoVetNova · SaaS para clínicas veterinarias (producto propio)
pruebas automáticas de punta a punta contra la API real
Cada cambio se prueba solo: menos sorpresas después de publicar.
Contados en el repositorio · 2026-10-13
Ver el casoJARVIS · asistente de voz personal
en responder comandos comunes sin pasar por el modelo de IA, contra 8.6 s cuando responde el modelo
Respuestas unas 3 veces más rápidas y menos llamadas pagadas al modelo.
Archivo de estado de JARVIS · 2026-10-13
Ver el caso03Casos de trabajo
Casos con sus decisiones, su validación y sus resultados.
Cómo someto cada release de un SaaS B2B para talleres automotrices a una compuerta doble, en QA y en producción, con matrices E2E de 13 a 45 casos y una regla: QA reporta, nunca corrige.
production
Cómo llevar el historial y los catálogos de clientes multisucursal desde sus sistemas anteriores con un pipeline de dos pasos, dry-run, QA y producción, y una conciliación contra la fuente en cada etapa.
delivered
Un dry-run contó unos 3,400 paquetes de servicio cuando existían 11,934. Rastrear la diferencia hasta una paginación sin orden y unos nulos descartados hizo segura una corrección masiva de costos.
delivered
04Proyectos
SaaS multi-tenant para clínicas veterinarias, construido con arquitectura dirigida con IA. Pre-revenue; listo para producción; en modo mantenimiento.
production
Plataforma multi-tenant de core asegurador para aseguradoras y despachos de agentes. Un prototipo falsable con 10 millones de pólizas decidió el modelo de datos antes de construir ninguna función.
building
Un asistente local de voz y texto que corre en la CPU de una laptop sin APIs de pago. La seguridad la impone el código, no el modelo, y una ruta rápida contesta lo común sin llamar al LLM.
paused
Cómo reparto el trabajo de ingeniería entre agentes de IA según dificultad y costo: un planificador que no edita, un ejecutor que sigue planes al pie de la letra, un explorador de solo lectura y un panel local.
production
05Cómo trabajo
Un check en verde no es una prueba.
El método y las reglas que fijo a los agentes de IA, en mi trabajo y en mis proyectos.
Leer cómo trabajo06Contacto
Ciudad de México, en horario compatible con EE. UU. Respondo más rápido por WhatsApp.
