¿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

¿Podrá DeepSeek ahorrarle a China un billón de dólares?

El artículo analiza cómo DeepSeek podría generar un ahorro potencial de un billón de dólares en la infraestructura de IA de China, a través de optimizaciones técnicas que aumentan drásticamente la eficiencia del hardware. El punto de partida es el elevado costo de las plataformas de IA de última generación, como la futura Vera Rubin de Nvidia, donde una parte significativa del precio (unos 2 millones de dólares por sistema) corresponde a memoria costosa (HBM4, LPDDR5X), cuya precio ha aumentado un 435% en un año. Frente a esta tendencia, DeepSeek actúa en dirección opuesta. Sus modelos, especialmente la serie V4, aplican tres innovaciones clave para reducir la dependencia de los componentes de hardware más caros: 1. **Comprimir la "memoria" (contexto largo):** Su mecanismo de atención Multi-head Latent Attention (MLA) comprime radicalmente la caché KV (Key-Value Cache), reduciendo la necesidad de memoria de alta gama en hasta un 93% sin comprometer la calidad. 2. **Activar solo el "cuerpo" necesario:** Utiliza una arquitectura Mixture of Experts (MoE) extrema (ej., V4-Pro con 1.6 billones de parámetros totales pero solo 49 mil millones activos por token), permitiendo que solo una pequeña fracción de los parámetros del modelo resida en la costosa memoria HBM en cada momento. 3. **Reutilizar cálculos:** Almacena resultados intermedios (caché) para reutilizarlos en lugar de recalcular, ofreciendo precios muy bajos para las solicitudes que "aciertan en la caché". El efecto combinado es que el mismo hardware puede producir hasta 4 veces más tokens útiles, equivalente a reducir en un 75% la inversión en hardware para un rendimiento dado. Traducido a escala nacional, con un consumo diario de tokens que se proyecta en cientos o miles de billones, esta eficiencia podría evitar la construcción de decenas de miles de centros de computación inteligente, representando un ahorro acumulado del orden de un billón de dólares. Además, esta estrategia cambia el campo de batalla tecnológico: reduce la dependencia de los chips de computación más avanzados (donde China tiene desventaja) y traslada parte de la carga a la memoria y la ingeniería de sistemas, áreas donde la industria china (ej., CXMT) está ganando terreno. Así, DeepSeek no "elimina" la necesidad de hardware, sino que redefine radicalmente la ecuación de costos de la infraestructura de IA, haciendo la inteligencia artificial más accesible para las industrias chinas.

marsbitHace 35 min(s)

¿Podrá DeepSeek ahorrarle a China un billón de dólares?

marsbitHace 35 min(s)

Variant: Bitcoin, Ethereum y ZCash son muy probables de convertirse en las principales reservas de valor

Autor: Alana Levin, Variant En Variant, nuestra filosofía de inversión se basa en la creencia de que las personas deberían poder ser dueñas de su dinero, identidad y datos. Consideramos que los tokens pueden clasificarse en dos categorías: activos de reserva de valor (SOV) o instrumentos similares a acciones. Creemos que el marco de SOV es particularmente útil para evaluar las blockchains de capa 1 (L1), que son protocolos de coordinación monetaria fundamentales. Un buen SOV debe cumplir con criterios clave: durabilidad técnica, escasez, resistencia a la censura, productividad económica, fortaleza memética ("memetics") y liquidez. El mercado total de SOV, como el oro (31 billones de dólares) y la plata (4 billones de dólares), es enorme y presenta una gran oportunidad. Tres activos L1 sobresalen como potenciales SOV principales: Bitcoin (BTC), Ethereum (ETH) y ZCash (ZEC). Bitcoin domina en el aspecto memético como "oro digital". Ethereum muestra mayor durabilidad técnica gracias a su capacidad de mejora. ZCash se destaca por su resistencia a la censura y privacidad, ofreciendo protección contra la confiscación o vigilancia. Aunque estos activos digitales superan en muchos aspectos a los SOV tradicionales, aún representan una parte pequeña del mercado total, lo que señala una oportunidad significativa de crecimiento en este espacio.

marsbitHace 39 min(s)

Variant: Bitcoin, Ethereum y ZCash son muy probables de convertirse en las principales reservas de valor

marsbitHace 39 min(s)

Derribando el enfoque predominante contra las alucinaciones: La metacognición es la nueva solución integral para resolver las alucinaciones en los modelos de gran tamaño

Una investigación de Google propone un enfoque revolucionario para combatir las alucinaciones en los modelos de lenguaje grandes (LLMs): desarrollar su metacognición, es decir, su capacidad para reconocer y expresar su propio nivel de incertidumbre, en lugar de intentar hacerlos omniscientes o que rechacen responder con frecuencia. El documento, titulado "Las alucinaciones socavan la confianza; la metacognición es el camino a seguir", argumenta que las estrategias actuales son insuficientes. Por un lado, aumentar los datos de entrenamiento no puede cubrir todo el conocimiento. Por otro, rechazar respuestas para reducir errores impone una pesada "tasa de utilidad", sacrificando muchas respuestas correctas y dañando la experiencia del usuario. La clave del problema es la falta de "discriminación" del modelo: su incapacidad para distinguir con precisión, pregunta por pregunta, si su respuesta es correcta o incorrecta, más allá de una buena "calibración" general. Los análisis muestran que con las capacidades actuales, para reducir la tasa de error al 5%, un modelo tendría que rechazar más del 52% de las preguntas que podría responder correctamente. La propuesta central es redefinir la alucinación. No es simplemente "decir algo incorrecto", sino "afirmar con certeza algo incorrecto cuando no se tiene la base para estar seguro". La solución es lograr una "incertidumbre fiel": que el lenguaje del modelo (ej., "creo que podría ser...") refleje fielmente su estado interno de confianza, medible mediante técnicas como el muestreo repetido. Esto permitiría a los LLMs proporcionar información útil junto con advertencias adecuadas, equilibrando utilidad y fiabilidad. Esta metacognición es aún más crucial para los Agentes de IA que usan herramientas externas, ya que necesitan juzgar cuándo buscar información y cuándo confiar en su conocimiento interno. El camino presenta desafíos como la "paradoja del arranque" para crear datos de entrenamiento dinámicos, la señal de "alineación destruida" por los procesos de ajuste humano (RLHF) que premian la seguridad, y la dificultad de evaluar si el modelo realmente tiene metacognición o solo la está simulando. En resumen, el mensaje es claro: en lugar de perseguir un modelo infalible, un objetivo más realista y valioso es desarrollar LLMs que sean honestos acerca de los límites de su conocimiento, comunicando claramente cuándo están seguros y cuándo no. Esta transparencia es fundamental para generar confianza.

marsbitHace 42 min(s)

Derribando el enfoque predominante contra las alucinaciones: La metacognición es la nueva solución integral para resolver las alucinaciones en los modelos de gran tamaño

marsbitHace 42 min(s)

Para protegerse, compren oro y petróleo; para dispararse, compren IA: el Bitcoin 'pasado de moda' entra en mercado bajista

Bitcoin cae, cayendo hasta los 66.123 dólares, su mínimo en dos meses, mientras Ethereum también toca niveles bajos. Los analistas señalan que las explicaciones inmediatas, como las salidas de fondos de los ETF o la reducción de posiciones por parte de Strategy, son solo síntomas de un problema más profundo: **Bitcoin está perdiendo la competencia por la asignación de capital**. Ante un entorno de tasas de interés más altas, el activo digital se encuentra en una "incómoda zona intermedia" y está siendo superado en tres frentes clave: 1. **Como cobertura contra la inflación:** El oro, las acciones energéticas y las materias primas, con respaldo físico y un argumento más directo, están ganando terreno. 2. **Como activo de crecimiento:** Las empresas de IA con ingresos y beneficios reales ofrecen una propuesta de valor más clara que Bitcoin, que no genera flujos de caja. 3. **Como exposición al ecosistema cripto:** Los inversores pueden acceder a este crecimiento a través de acciones de intercambios, emisores de stablecoins o infraestructura, que ofrecen un vínculo más directo con la adopción real. La advertencia reciente de la Fed sobre una inflación persistente, que antes hubiera impulsado a Bitcoin, ahora no tiene el mismo efecto. **La narrativa del "oro digital" está siendo erosionada.** La nueva lógica bajista no cuestiona su tecnología, sino su propuesta de valor: **la escasez por sí sola ya no es suficiente**. Los inversores, con más opciones, exigen ahora razones más sólidas para elegir Bitcoin frente a otros activos.

华尔街日报Hace 47 min(s)

Para protegerse, compren oro y petróleo; para dispararse, compren IA: el Bitcoin 'pasado de moda' entra en mercado bajista

华尔街日报Hace 47 min(s)

¿Me perdí el auge de las acciones de IA? ¿Qué hacer ahora?

La ola de acciones de IA lleva más de tres años y medio subiendo, sin signos de detenerse. A pesar de las predicciones de una caída del mercado, valores como SK Hynix (subida del 260%) y Micron (que superó el billón de dólares) alcanzan máximos históricos. En China, empresas como ChangXin se preparan para salir a bolsa con valoraciones estratosféricas. Mientras, la ansiedad crece entre quienes han perdido este rally. Las estadísticas revelan una realidad dura: en 2025, solo el 18,9% de los inversores minoristas en China obtuvieron ganancias, y muchos fondos institucionales vendieron sus posiciones en IA en el momento equivocado, perdiendo miles de millones. Incluso grandes nombres como Bridgewater o Buffett se quedaron fuera del repunte. Sin embargo, líderes como Jack Ma señalan que la IA es una revolución comparable a la electricidad y que la oportunidad sigue abierta. La industria ofrece múltiples fases: desde la infraestructura (hardware, potencia de cálculo) hasta las futuras aplicaciones prácticas ("AI+") que aún están por despegar. La clave, según expertos como Ma Huateng de Tencent, no es perseguir modas, sino encontrar la oportunidad adecuada dentro de la vasta cadena de valor de la IA, manteniendo una mentalidad estable y a largo plazo. La próxima oportunidad estructural será para quienes estén mejor preparados.

marsbitHace 1 hora(s)

¿Me perdí el auge de las acciones de IA? ¿Qué hacer ahora?