¿Solo 2 horas de trabajo al día? Este ingeniero de Google usa Claude para automatizar el 80% de su trabajo

marsbitPublicado a 2026-04-15Actualizado a 2026-04-15

Resumen

Un ingeniero de Google con 11 años de experiencia automatizó el 80% de su trabajo usando Claude Code y una aplicación .NET, reduciendo su jornada de 8 a 2-3 horas diarias y generando 28.000 dólares mensuales de ingresos pasivos. La clave es el uso de un archivo CLAUDE.md basado en los principios de Karpathy: "Pensar antes de codificar", "Simplicidad primero", "Cambios quirúrgicos" y "Ejecución orientada a objetivos". Esto reduce las violaciones de normas del 40% al 3%. Además, utiliza "Everything Claude Code", un sistema con 27 agentes que actúa como un equipo de ingeniería autónomo, evitando costosos servicios externos. Se revela un problema oculto: la versión v2.1.100 de Claude consume tokens adicionales sin aviso, diluyendo las instrucciones y reduciendo la calidad. La solución temporal es downgradear a v2.1.98. El sistema automatizado final incluye generación de código, pruebas y revisión en ciclos cada 15 minutos. El resultado: mayor productividad, ahorro de tiempo y la transición de "escribir código" a "supervisar sistemas autónomos".

Nota del editor: Cuando "la IA escribe código" se convierte gradualmente en un consenso de la industria, lo que realmente cambia la productividad no es el modelo en sí, sino cómo defines las reglas para el modelo, organizas el flujo de trabajo y lo integras en un sistema que puede funcionar de manera sostenible.

Partiendo de un simple archivo CLAUDE.md, pasando por la colaboración de múltiples agentes, hasta un ciclo de desarrollo automatizado, este método transforma el proceso de desarrollo de un "diálogo entre el humano y la IA" a la "gestión de un equipo de ingeniería de IA". En este proceso, los errores se previenen de forma anticipada, los flujos se estructuran, y la generación de código, las pruebas y las revisiones dejan de ser ejecutadas manualmente para ser gestionadas por el sistema.

Es más, el artículo también revela un detalle que a menudo se pasa por alto: en contextos largos y sistemas complejos, el comportamiento del modelo no es completamente controlable. Tanto el consumo oculto de tokens como la dilución de las instrucciones afectan invisiblemente la calidad de la salida. Esto hace que "cómo gestionar la IA", y no solo "cómo usar la IA", se convierta en la nueva capacidad central.

En este punto, los desarrolladores ya no se centran en codificar, sino que su trabajo gira en torno al diseño de reglas, la planificación de flujos y la verificación de resultados. Aquellos que dan este paso primero ya han comenzado a pasar de "hacer las cosas personalmente" a "dejar que el sistema lo haga por ellos".

A continuación, el texto original:

Un ingeniero de Google con 11 años de experiencia ha automatizado el 80% de su trabajo con la ayuda de Claude Code y una simple aplicación .NET.

Hoy en día, solo necesita trabajar 2 a 3 horas al día, en lugar de las 8 originales. El resto del tiempo básicamente está "relajado", mientras el sistema funciona por sí solo, generándole unos ingresos pasivos de 28,000 dólares mensuales.

Lo que él domina es precisamente ese método que tú aún desconoces.

Parte 1—Escribir un CLAUDE.md según los principios de Karpathy

Andrej Karpathy—uno de los investigadores de IA más influyentes del mundo—resumió sistemáticamente los errores más comunes de los grandes modelos de lenguaje al escribir código: sobreingeniería, ignorar patrones existentes e introducir dependencias adicionales que nadie pidió.

Alguien resumió estas observaciones y las organizó en un archivo unificado llamado CLAUDE.md.

El resultado: este proyecto obtuvo 15,000 estrellas en GitHub en una semana. En cierto modo, se puede decir que 15,000 personas cambiaron su forma de trabajar gracias a esto.

La idea central es muy simple: si los errores son predecibles, se pueden evitar por adelantado con instrucciones claras. Basta con colocar un archivo markdown en el repositorio del proyecto para proporcionar a Claude Code un conjunto completo de reglas de comportamiento estructuradas, unificando así la toma de decisiones y la ejecución en todo el proyecto.

Este archivo contiene principalmente cuatro principios centrales:

· Pensar antes de codificar → Evitar suposiciones erróneas y compensaciones ignoradas.
· La simplicidad primero → Evitar la sobreingeniería y las abstracciones hinchadas.
· Modificaciones quirúrgicas → Evitar modificar código que nadie ha pedido cambiar.
· Ejecución orientada a objetivos → Primero probar, luego verificar según criterios de éxito claros.

No depende de ningún framework ni de herramientas complejas: con un solo archivo, puedes cambiar el comportamiento de Claude a nivel de proyecto.

La verdadera diferencia radica en:

· Sin usar CLAUDE.md: Claude viola las especificaciones aproximadamente en el 40% de los casos.
· Usando el CLAUDE.md de Karpathy: La tasa de violaciones se reduce a aproximadamente un 3%.
· Tiempo de configuración: Solo 5 minutos.

Comando para generar automáticamente tu propio archivo CLAUDE.md:

claude -p "Lee todo el proyecto y crea un CLAUDE.md basado en:
Pensar Antes de Codificar, La Simplicidad Primero, Cambios Quirúrgicos, Ejecución Orientada a Objetivos.
Adáptate a la arquitectura real que veas." --allowedTools Bash,Write,Read

Esto reemplaza a un Claude que, ante tareas simples, hace sobreingeniería, introduce dependencias no solicitadas e incluso modifica archivos que no debería tocar.

Parte 2 - Everything Claude Code: Un equipo de ingeniería completo en un repositorio

Everything Claude Code (más de 153,000 estrellas en GitHub)

Esto no es solo un conjunto de prompts, sino más bien un sistema operativo de IA completo para construir productos.

Funciona en Claude, Codex, Cursor, OpenCode, Gemini y muchas otras herramientas: un sistema único, usable en todas partes.

Forma de instalación:

/plugin marketplace add affaan-m/everything-claude-code

O instalación manual: simplemente copia los componentes que necesites al directorio .claude/ de tu proyecto. No cargues todo de una vez: cargar 27 agentes y 64 habilidades simultáneamente probablemente agotará tu límite de contexto incluso antes de que ingreses tu primer prompt. Mantén solo lo que realmente necesites.

La verdadera diferencia está en:

· Antes: Estabas con una IA.
· Después: Gestionas un equipo de ingeniería de IA que funciona automáticamente.

Reemplaza: Tener que pasar semanas construyendo tu propio sistema de agentes, configurando por separado herramientas de planificación/revisión/seguridad, y pagar costos mensuales de 200 a 500 dólares por varios servicios de IA.

Parte 3 - Un "escándalo" oculto: Claude Code v2.1.100 está consumiendo tus tokens en secreto

Alguien configuró un proxy HTTP e interceptó y analizó las solicitudes API completas de 4 versiones diferentes de Claude Code.

Descubrieron:

v2.1.98: 169,514 bytes solicitados → 49,726 tokens facturados
v2.1.100: 168,536 bytes solicitados → 69,922 tokens facturados
diferencia: -978 bytes pero +20,196 tokens

v2.1.100 envió menos bytes de datos, pero cobró 20,000 tokens adicionales. Esta "inflación" ocurre completamente en el lado del servidor: no puedes verla ni verificarla a través de la interfaz /context.

Por qué esto es importante más allá de la facturación: estos 20,000 tokens adicionales se incorporan a la ventana de contexto real de Claude.

Esto significa:

→ Tus instrucciones CLAUDE.md se diluirán con estos 20,000 "contenidos ocultos".

→ En conversaciones largas, la calidad de la salida se degradará más rápido.

→ Cuando Claude ignore tus reglas, te resultará difícil encontrar la causa.

→ El límite de uso de Claude Max se consumirá aproximadamente un 40% más rápido de lo normal.

La solución toma solo 30 segundos: npx [email protected]

Esta es una solución temporal hasta que Anthropic solucione el problema oficialmente, pero en la práctica, puedes notar inmediatamente el cambio en la efectividad de la sesión.

Reemplaza: Ya no necesitas adivinar por qué Claude de repente dejó de seguir tus instrucciones.

Caso de estudio: Cómo es un sistema de automatización completo

Un ingeniero con 11 años de experiencia construyó un sistema compuesto por tres partes:

Resultado después de una semana:

· Antes: 8 horas al día escribiendo código.
· Después: Solo 2–3 horas al día haciendo revisiones de código y pruebas.

· Calidad del código: Básicamente sin cambios, porque las revisaba una por una.
· Estado en Teams: Siempre en línea: el mouse se movía automáticamente cada minuto.
· Tiempo restante: Libre todo el día.

Esto no es "magia", sino el resultado combinado de CLAUDE.md + los agentes adecuados + un mecanismo de ciclo cada 15 minutos.

Lista completa:

Qué obtienes después de leer esto:

· Antes: Claude violaba las especificaciones existentes en el 40% de los casos.
· Después: Usando el CLAUDE.md de Karpathy, la tasa de violaciones bajó al 3%.

· Antes: Necesitabas semanas para configurar agentes.
· Después: 27 agentes listos para usar.

· Antes: El límite de Claude Max se agotaba en 2–3 horas.
· Después: Revertir a v2.1.98 recupera aproximadamente un 40% del límite de uso.

· Antes: 8 horas al día escribiendo código.
· Después: Solo 2–3 horas haciendo revisiones, el resto lo ejecuta el sistema automáticamente.

· Tiempo de configuración: 15–20 minutos.
· Ahorro diario: 5–6 horas.
· Ahorro mensual: 100–120 horas.

Si el valor de tu tiempo es de 30 dólares por hora, en realidad estás "perdiendo invisiblemente" 3000–3600 dólares al mes.

Si es de 100 dólares por hora, son 10,000–12,000 dólares mensuales que se esfuman, solo porque todavía escribes manualmente el código que Claude podría haber hecho por sí mismo.

La mayoría de los desarrolladores nunca alcanzarán este nivel, no porque no puedan, sino porque piensan que es complicado. En realidad, entre tú y la "automatización total" solo hay tres comandos y un archivo de diferencia.

El ingeniero que mencioné al principio no es un genio, ni un ingeniero senior de Google. Simplemente dedicó una noche a configurar el sistema. Desde entonces, el trabajo lo hace el sistema, y él solo se encarga de vivir.

Tú puedes hacer lo mismo esta noche. Mientras otros todavía discuten si la IA reemplazará a los desarrolladores, aquellos que ya tienen el sistema funcionando solo están relajándose y ganando dinero.

La elección es clara. Estás construyendo tu propia vida: elige el camino correcto.

Preguntas relacionadas

Q¿Cuál es el principio central del archivo CLAUDE.md según el artículo?

AEl principio central del archivo CLAUDE.md es proporcionar un conjunto de reglas estructuradas para guiar el comportamiento de Claude Code, basado en cuatro principios clave: Pensar Antes de Codificar, Simplicidad Primero, Cambios Quirúrgicos y Ejecución Orientada a Objetivos.

Q¿Qué problema oculto se menciona sobre Claude Code v2.1.100?

AClaude Code v2.1.100 está consumiendo tokens adicionales de manera oculta, enviando menos bytes de datos pero cobrando aproximadamente 20,000 tokens más, lo que diluye las instrucciones del usuario y reduce la calidad de la salida en conversaciones largas.

Q¿Cómo logró el ingeniero de Google automatizar el 80% de su trabajo?

AUtilizó Claude Code junto con un archivo CLAUDE.md, múltiples agentes de Everything Claude Code y un sistema de bucle automatizado que ejecuta tareas cada 15 minutos, reduciendo su tiempo de trabajo de 8 horas a 2-3 horas diarias.

Q¿Qué es Everything Claude Code y qué permite hacer?

AEverything Claude Code es un sistema operativo de IA completo que actúa como un equipo de ingeniería automatizado, con 27 agentes y 64 habilidades que permiten gestionar tareas de planificación, revisión, seguridad y más, sin necesidad de configuraciones complejas.

Q¿Cuál es el impacto económico mencionado por no automatizar con Claude?

ASi el tiempo de un desarrollador vale 30 dólares por hora, no automatizar resulta en una pérdida invisible de 3000-3600 dólares al mes; si vale 100 dólares por hora, la pérdida es de 10,000-12,000 dólares mensuales.

Lecturas Relacionadas

Los robots comienzan a 'devorar datos': La cadena de producción oculta desde las fábricas de datos en India hasta los robots humanoides de miles de millones de dólares

En una fábrica de ropa en la India, trabajadores llevan cámaras en la cabeza para grabar su trabajo desde una perspectiva en primera persona. Estos videos, convertidos en datos, se venden a empresas de inteligencia incorporada que necesitan grandes cantidades de información para entrenar robots. La industria de la inteligencia incorporada enfrenta un cuello de botella crítico: la falta de datos de entrenamiento de alta calidad. A diferencia de los modelos de lenguaje, que se nutren de vastos recursos de internet, los robots operan en un "desierto de datos" del mundo físico. Investigaciones como EgoScale de NVIDIA han demostrado que el uso de datos humanos en primera persona (Ego Data) para preentrenamiento, combinado con una pequeña cantidad de datos del robot, puede mejorar significativamente las capacidades de los robots, estableciendo una ruta de escalabilidad. Esto ha impulsado una nueva cadena de suministro de datos. Empresas en India y el sudeste asiático organizan "fábricas de datos" donde recolectores, siguiendo procedimientos estandarizados, generan miles de horas de videos Ego Data mostrando tareas como organizar una cocina o doblar ropa. Los datos se organizan en una "pirámide": en la base están los datos de internet (baratos pero de bajo valor para la acción), luego los Ego Data, seguidos por datos con guantes sensoriales para capturar movimientos finos de las manos, datos de simulación (abundantes pero con una brecha de realidad) y, en la cima, los costosos y escasos datos reales del robot, obtenidos mediante teleoperación. La industria de datos emergente incluye varios actores: fábricas de datos de bajo costo, proveedores especializados en captura y alineación de movimientos, servicios de teleoperación para datos del robot, empresas de datos de simulación y plataformas que buscan estandarizar el formato de los datos. Las compañías de robots adoptan un enfoque de "adquisición por capas": compran datos genéricos Ego Data a proveedores externos para el preentrenamiento, pero tienden a recolectar internamente los datos específicos para la adaptación de su hardware único y los datos de despliegue y fallos, que constituyen su ventaja competitiva central. El sector evoluciona hacia dos modelos: "fábricas de datos" que venden horas de datos procesados, y "motores de datos" que ofrecen un ecosistema completo para la mejora continua de los modelos. Se prevé la aparición de una empresa similar a Scale AI, pero adaptada a la complejidad de los datos físicos y del movimiento. La competencia en robótica está pasando de la fabricación de hardware a la capacidad de alimentar a los modelos con datos masivos y de alta calidad, una cadena de producción que ya conecta fábricas en India con laboratorios de robótica de alto valor en todo el mundo.

marsbitHace 1 hora(s)

Los robots comienzan a 'devorar datos': La cadena de producción oculta desde las fábricas de datos en India hasta los robots humanoides de miles de millones de dólares

marsbitHace 1 hora(s)

Comentario Picante｜Michael Saylor hace declaraciones de "chico malo"; una señora de 60 años "estafa a un joven" tras perder todo en futuros con apalancamiento

**Resumen en español europeo (c. 1500 caracteres)** La columna "辣评" (Comentarios Picantes) de esta semana analiza tres historias sobre riesgo, engaño y pérdidas en el mundo cripto. La primera destaca la polémica declaración de Michael Saylor, fundador de MicroStrategy. En un evento, aclaró que su famoso lema "nunca vendas Bitcoin" estaba dirigido a inversores individuales, no a su empresa, la cual podría vender si fuera necesario. Esto generó críticas en redes sociales, donde usuarios lo acusan de "jugar con las palabras" y recordaron declaraciones previas donde parecía implicar que la empresa tampoco vendería. La segunda historia relata un insólito caso de estafa en Beijing. Una mujer de 60 años, obsesionada con las criptomonedas, engañó a un joven haciéndose pasar por la "madrina" de una ficticia joven funcionaria llamada "Xiaohong", con quien el joven entabló una relación por chat. La estafadora, interpretando ambos papeles, le sacó más de 200,000 yuanes con excusas varias. El dinero fue invertido en cripto con x10 apalancamiento, resultando en una pérdida total tras un *margin call*. La mujer fue condenada a 4 años de prisión. La tercera parte comenta un desgarrador testimonio publicado en Reddit. Un trader anónimo compartió que su patrimonio neto alcanzó un pico de 45 millones de dólares gracias a inversiones en *memecoins*, pero que ahora se ha reducido a unos 17,200 dólares. Su post "Pregúntame lo que quieras" generó una ola de reacciones, con usuarios expresando conmiseración, asombro y consejos sobre la importancia de tomar ganancias y diversificar, criticando la adicción al juego que su historia refleja. El artículo concluye señalando que en el ecosistema cripto, esta semana hubo quien jugó con la semántica, quien con el engaño y quien con fuego, recordando los altos riesgos y la volatilidad inherentes al sector.

Foresight NewsHace 1 hora(s)

Comentario Picante｜Michael Saylor hace declaraciones de "chico malo"; una señora de 60 años "estafa a un joven" tras perder todo en futuros con apalancamiento

Foresight NewsHace 1 hora(s)

Tiemblen humanos, la IA sigue acelerando a toda velocidad

Sí, la IA sigue avanzando a toda velocidad. Aunque algunos creían que la Ley de Escalado (Scaling Law) podría estar tocando techo, expertos en la conferencia BAAI 2026 señalaron que está lejos de agotarse. Su efecto continúa impulsando modelos de lenguaje grandes (LLM) y multimodales. La IA también está aprendiendo a "auto-evolucionarse", usando IA para escribir y actualizar código, acercándose a la posibilidad de tomar el control del mundo digital. El próximo campo de batalla clave son los **Modelos Mundiales (World Models)**, que buscan que la IA comprenda e interactúe con el mundo físico. Sin embargo, aún no existe un consenso sobre la ruta técnica óptima (basada en lenguaje, píxeles, estructuras 3D o representaciones visuales) y persisten desafíos con los datos. Se estima que su desarrollo y convergencia llevarán de 3 a 5 años más. En el frente de la aplicación, los **Agentes (Agents)** son clave para llevar la IA a la vida cotidiana. Han pasado de ser "utilizables" a empezar a ser "útiles", volviéndose más proactivos y capaces de manejar tareas complejas en campos como la medicina o la investigación. Para que sean realmente "buenos", es crucial perfeccionar el **Harness**: el marco o entorno de ingeniería que gestiona la comprensión de la intención del usuario, la planificación de tareas, la ejecución y la verificación, superando las limitaciones del modelo solo. En resumen, la IA está en una carrera acelerada en dos frentes: hacia dentro, dominando y auto-evolucionando el mundo digital; y hacia fuera, buscando comprender y actuar en el mundo físico a través de Modelos Mundiales y Agentes más competentes.

marsbitHace 2 hora(s)

Tiemblen humanos, la IA sigue acelerando a toda velocidad

marsbitHace 2 hora(s)

El otro lado de los trillones de Musk: el 85 % que no se puede vender

Elon Musk se convierte en el primer billonario en dólares tras la OPV de SpaceX, que valora la compañía en 1,77 billones de dólares. Sin embargo, el 85,1% de sus derechos de voto no equivalen al mismo porcentaje de propiedad económica, y la mayor parte de su patrimonio está bloqueada en acciones con superderecho de voto y periodos de carencia, lo que limita drásticamente su liquidez. Solo el 4,2% de las acciones estarán disponibles para negociación inicialmente, lo que podría generar alta volatilidad en el precio. Unos 4.400 empleados podrían convertirse en millonarios en papel gracias al plan de participación accionarial, pero enfrentarán periodos de bloqueo, precios de ejercicio y obligaciones fiscales antes de obtener liquidez. La narrativa de crecimiento de SpaceX se basa en parte en sus ingresos por alquiler de capacidad de computación para IA, con contratos anualizados de 260.400 millones de dólares con Anthropic y Google. No obstante, su división xAI registró una pérdida de 6.400 millones en 2025 y se estima que requiere unos gastos de capital anuales de 308.000 millones, lo que plantea dudas sobre la sostenibilidad financiera a largo plazo. La verdadera prueba para la valoración de la compañía llegará cuando finalice el periodo de bloqueo y el 96% de las acciones restantes comiencen a llegar gradualmente al mercado secundario.

链捕手Hace 2 hora(s)

El otro lado de los trillones de Musk: el 85 % que no se puede vender

链捕手Hace 2 hora(s)

Investigadores de Ethereum proponen SPHINCS-, un esquema de firmas para carteras poscuánticas

**TL;DR** * Una publicación de Ethereum Research propone SPHINCS-, un esquema de verificación de firmas post-cuántico sin estado optimizado para la EVM. * El diseño reemplaza las funciones SHAKE256 estándar con KECCAK256 nativo de la EVM, permitiendo una implementación en Solidity sin cambios de protocolo o precompilados. * La variante C13 verifica con unos 127.000 gas y una firma de 3.704 bytes. * La propuesta es no estándar y está en fase de investigación, pero contribuye al creciente debate sobre seguridad post-cuántica en Ethereum. Investigadores de Ethereum exploran SPHINCS- ("SPHINCS menos"), un nuevo diseño de firma post-cuántico que permitiría a las billeteras verificar firmas resistentes a la computación cuántica directamente en la Máquina Virtual de Ethereum (EVM) sin requerir cambios en el protocolo. El esquema se adapta a las limitaciones prácticas de las billeteras blockchain, reduciendo el presupuesto de firmas por clave a un rango más relevante (2^14 a 2^20) en lugar del estándar 2^64, argumentando que las direcciones normales no necesitan un número astronómico de firmas. La propuesta, aún en etapa de investigación y no estándar, sustituye las funciones hash estándar por KECCAK256, nativo de Ethereum, lo que posibilita implementar la lógica de verificación en Solidity. Para su variante C13, se reportan costes de verificación de ~127.000 gas y un tamaño de firma de 3.704 bytes, mostrando eficiencia frente a esquemas estándar. Sin embargo, se señalan compromisos, como tiempos de firma muy largos en hardware wallets (hasta 390 segundos), resaltando la brecha entre eficiencia teórica y experiencia de usuario práctica. Aunque no resuelve todo el desafío de la migración post-cuántica, SPHINCS- representa una ruta de verificación concreta, nativa de la EVM y sin estado, que podría funcionar sin depender de cambios en la capa base de Ethereum, aportando al planeamiento a largo plazo para la seguridad de las cuentas.

bitcoinistHace 3 hora(s)

Investigadores de Ethereum proponen SPHINCS-, un esquema de firmas para carteras poscuánticas