Cómo usan los equipos de Anthropic Claude Code

• Las distintas áreas de Anthropic (infraestructura de datos, desarrollo de producto, seguridad, inferencia, ciencia de datos, marketing, diseño, ingeniería de RL, legal, etc.) están adoptando Claude Code y experimentando cambios transformadores en la automatización de proyectos complejos, la eficiencia operativa y la ampliación del trabajo para personas no desarrolladoras
• Recuperación ante fallas en Kubernetes, onboarding de nuevos ingresos, monitoreo de datos a gran escala y automatización de flujos no técnicos en el equipo financiero son algunos de los casos donde Claude Code está resolviendo problemas reales y elevando la productividad
• Mediante prototipado rápido, exploración del codebase, generación automática de pruebas y automatización de tareas repetitivas, han logrado reducir tiempos entre 2 y 4 veces y mejorar la velocidad y calidad de desarrollo
• Incluso áreas no técnicas como diseño, marketing y legal ahora pueden crear automatizaciones y herramientas complejas sin recursos de ingeniería, usando agentes personalizados e integraciones con Figma/Google Ads/Meta Ads
• Cada equipo comparte sus principales consejos de uso: documentación en Claude.md, checkpoints repetidos, prompts específicos, feedback visual y flujos compartidos dentro del equipo, entre otros

---

Resumen general

Anthropic está aplicando Claude Code en varios equipos internos para que tanto desarrolladores como personas no técnicas puedan manejar proyectos complejos, automatizar tareas repetitivas y acortar la curva de aprendizaje, logrando una transformación de productividad. El artículo explica en profundidad cómo 10 áreas usan Claude Code en la práctica, qué métodos resultan efectivos en cada equipo, qué considerar al adoptarlo y qué consejos ayudan a aprovecharlo mejor.

---

Equipo de Data Infrastructure: uso de Claude Code en infraestructura de datos

Casos principales de uso

• Depuración de Kubernetes
  • Ante fallas en clústeres de Kubernetes, ingresan capturas del dashboard en Claude Code para que indique la ruta del problema en la UI de Google Cloud y sugiera los comandos necesarios para resolverlo
• Flujos en lenguaje natural para personas no desarrolladoras
  • Personas de áreas como finanzas describen el flujo de datos en texto plano y Claude Code ejecuta automáticamente el workflow, pregunta por valores de entrada y genera resultados en Excel
• Exploración del codebase para nuevos ingresos
  • Nuevos data scientists usan Claude Code para entender la documentación en Claude.md y la estructura del codebase, así como las dependencias del pipeline de datos y las fuentes del dashboard
• Resumen automático de documentación al cerrar sesiones
  • Al terminar cada tarea, hacen que resuma automáticamente el trabajo realizado y proponga mejoras para los documentos Claude.md
• Trabajo en paralelo con múltiples instancias
  • Operan varias instancias de Claude Code en paralelo sobre distintos repositorios para cambiar entre proyectos sin perder el estado del flujo ni el contexto

Impacto en el equipo

• Resolución de problemas de infraestructura sin ayuda de especialistas
• Aceleración notable del onboarding de nuevos integrantes
• Fortalecimiento de flujos de soporte como la detección automática de anomalías en datos
• Autoservicio para áreas no técnicas

Consejos clave

• Documentar en detalle en archivos Claude.md
• Para datos sensibles, recomendar un servidor MCP en lugar de BigQuery CLI
• Compartir sesiones de uso dentro del equipo para difundir mejores prácticas

---

Equipo de Product Development: uso de Claude Code en desarrollo de producto

Casos principales de uso

• Prototipado rápido mediante loops de automatización
  • Tras activar el modo "auto-accept mode", delegan problemas abstractos a Claude, obtienen un resultado al 80% y luego hacen los ajustes finales
• Programación sincrónica (colaboración en tiempo real)
  • Durante el desarrollo de funciones clave, proporcionan prompts y lineamientos de código en tiempo real, mientras Claude se encarga del trabajo repetitivo de programación
• Implementación de funciones independientes como Vim mode
  • Automatizan más del 70% de la implementación y la completan con mejoras iterativas
• Automatización de casos de prueba y corrección de bugs
  • En la etapa de revisión de PR, Claude aplica automáticamente ajustes de formato, renombrado de funciones y otros cambios
• Exploración rápida del codebase
  • Consultan a Claude sobre la estructura y dependencias de monorepos complejos o del lado API del código

Impacto en el equipo

• Implementación acelerada de funciones complejas mediante automatización
• Menor tiempo para iterar y escalar prototipos
• Mejor cobertura automática de pruebas y mejor calidad de código
• Mayor eficiencia al explorar codebases desconocidos

Consejos clave

• Construir loops propios de validación (build, tests, lint automatizados)
• Separar tareas asincrónicas y sincrónicas según el caso
• Crear prompts claros y específicos

---

Equipo de Security Engineering: aplicación de Claude Code en ingeniería de seguridad

Casos principales de uso

• Depuración de infraestructura compleja
  • Al ingresar stack traces y documentación, Claude rastrea el flujo de control
• Revisión y análisis de código Terraform
  • Le pasan planes a Claude para revisar y aprobar rápidamente el impacto en seguridad
• Consolidación de documentos y generación de runbooks
  • Reúne múltiples documentos para producir guías de troubleshooting y resúmenes de runbooks
• Implementación de desarrollo guiado por pruebas (TDD)
  • Colaboran con Claude en un proceso de pseudocode → TDD → revisiones periódicas
• Menos costo de cambio de contexto y mejor onboarding
  • Ingresan especificaciones en Markdown a Claude y pueden contribuir al equipo en poco tiempo

Impacto en el equipo

• Reducción del tiempo de respuesta a incidentes de infraestructura a menos de 5 minutos
• Eliminación de tiempos de espera por aprobaciones de seguridad
• Capacidad de contribuir a otros proyectos en poco tiempo
• Máxima eficiencia en flujos de documentación

Consejos clave

• Aprovechar activamente comandos slash personalizados
• Dar a Claude instrucciones para codificar de forma autónoma
• Especificar claramente la documentación y el formato de salida

---

Equipo de Inference: uso en la gestión de sistemas de inferencia

Casos principales de uso

• Comprensión rápida del codebase y onboarding
  • Pueden preguntarle de inmediato a Claude por archivos de llamadas de funciones, dependencias y más
• Generación automática de pruebas con edge cases incluidos
  • Tras implementar una función, Claude genera las pruebas y el equipo solo se encarga de revisarlas
• Explicación de conceptos de machine learning
  • Preguntan directamente a Claude sobre funciones y configuraciones por modelo, con un ahorro de tiempo del 80% frente a buscar en Google
• Conversión de código entre varios lenguajes
  • Convierte la lógica deseada a lenguajes poco familiares como Rust
• Asistencia constante con comandos de Kubernetes

Impacto en el equipo

• Reducción del 80% en el tiempo para investigación y aprendizaje de machine learning
• Exploración inmediata del codebase
• Mantenimiento de la calidad mediante pruebas automáticas
• Eliminación de barreras de lenguaje

Consejos clave

• Intentar primero consultar la base de conocimiento
• Pedir generación de código y luego validar el resultado
• Reducir la carga indicando que escriba las pruebas directamente

---

Equipos de Data Science y ML Engineering: ciencia de datos e ingeniería de machine learning

Casos principales de uso

• Construcción de apps de dashboard en JavaScript/TypeScript
  • Incluso con poca experiencia en JS/TS, pueden crear dashboards completos en React, útiles por ejemplo para analizar el desempeño de modelos de RL
• Automatización de refactors repetitivos
  • Tareas repetitivas como conflictos de merge o cambios en la estructura de archivos pueden automatizarse por completo durante 30 minutos y adoptarse tal cual si el resultado funciona
• Desarrollo de herramientas de análisis permanentes
  • En vez de notebooks de un solo uso, construyen dashboards reutilizables en React para análisis de desempeño de modelos
• Delegación de tareas con dependencia cero del conocimiento previo
  • Encargan por completo a Claude trabajos en lenguajes o codebases totalmente desconocidos

Impacto en el equipo

• Ahorro de tiempo de 2 a 4 veces en refactors cotidianos
• Capacidad para crear apps complejas incluso en lenguajes poco dominados
• Paso de herramientas analíticas desechables a uso continuo
• Mejor nivel de decisión gracias a la visualización del desempeño de modelos

Consejos clave

• Usarlo como una máquina tragamonedas (aceptar o reintentar según el resultado)
• Mientras más complejo sea, más conviene intervenir y simplificar

---

Equipo de Product Engineering: uso práctico en ingeniería de producto

Casos principales de uso

• Como primer paso, preguntarle a Claude por listas de archivos y rutas para diseñar rápidamente el workflow
• Depuración de bugs y desarrollo de funciones de manera autónoma en codebases desconocidos
• Dogfooding al probar modelos de investigación recientes
• Mayor concentración gracias a la eliminación del costo de cambiar de contexto

Impacto en el equipo

• Capacidad de trabajar de forma independiente incluso en zonas desconocidas del código
• Menor carga por cambios de contexto y espera de respuestas
• Onboarding más rápido para ingenieros en rotación
• Mayor satisfacción y productividad para desarrolladores

Consejos clave

• Tratarlo como un socio de colaboración y trabajar de forma iterativa
• Atreverse a probar tareas desconocidas
• Empezar con la mínima información y avanzar guiándose por Claude

---

Equipo de Growth Marketing: automatización en marketing de crecimiento

Casos principales de uso

• Generación automática de copy para Google Ads
  • Crea titulares y descripciones publicitarias ajustadas al límite de caracteres del placement, automatizando campañas a gran escala
• Producción masiva de creativos mediante plugins de Figma
  • Generación programática de múltiples imágenes y textos publicitarios (hasta 100)
• Análisis en tiempo real de datos de Meta Ads con servidor MCP
  • Automatiza el análisis de resultados de campañas, gasto publicitario y más
• Registro de experimentos repetidos usando un sistema de memoria
  • Guarda resultados de pruebas creativas y los reutiliza en generaciones futuras

Impacto en el equipo

• Reducción del tiempo de creación de copy publicitario de 2 horas a 15 minutos
• Más de 10 veces más generación de creativos
• Un equipo de marketing de una sola persona puede encargarse directamente de grandes tareas de desarrollo y análisis
• Cambio del foco de trabajo hacia estrategia general y automatización

Consejos clave

• Empezar evaluando automatizaciones en tareas repetitivas con APIs
• Dividir workflows grandes en subagentes por rol
• Diseñar y estructurar bien los prompts en Claude.ai antes de implementarlos en Claude Code

---

Equipo de Product Design: transformación del trabajo de diseño de producto

Casos principales de uso

• Mejoras visuales de frontend y ajustes directos del manejo de estado
  • Diseñadores usan Claude Code para mejorar la UI al instante e implementar cambios de estado
• Ticketing basado en GitHub Actions y sugerencias automáticas de código
  • Ante solicitudes de frontend o corrección de bugs, Claude propone código automáticamente
• Creación rápida de prototipos interactivos
  • Pegan una imagen mockup y obtienen de inmediato código funcional
• Revisión de edge cases y entendimiento de arquitectura
  • Exploran directamente el estado del sistema y los flujos de error durante la fase de diseño
• Cambios complejos de copy y cumplimiento normativo en tiempo real
  • Modifican en lote frases específicas en todo el codebase y colaboran en tiempo real con legal

Impacto en el equipo

• Transición del trabajo hacia una base centrada en Figma y Claude Code
• Mejoras visuales y de manejo de estado entre 2 y 3 veces más rápidas
• Proyectos colaborativos complejos que pasan de 1 semana a 1 hora
• Experiencias diferenciadas para desarrolladores y diseñadores
• Gran mejora en comunicación y nivel de diseño

Consejos clave

• La configuración inicial requiere ayuda de ingeniería
• Usar archivos de memoria personalizados para definir de antemano el rol y la forma de explicación
• Crear prototipos pegando imágenes

---

Equipo de RL Engineering: muestreo de RL y gestión de pesos

Casos principales de uso

• Adopción de un enfoque autónomo + supervisado para funciones pequeñas y medianas
• Generación de pruebas y automatización de code review
• Uso de Claude para debugging y análisis de errores
• Automatización de resúmenes del codebase y análisis del call stack
• Soporte operativo mediante consultas relacionadas con Kubernetes

Cambios en la forma de trabajo

• Consolidación de un método experimental basado en checkpoints y rollback
• Ahorro de tiempo en generación automática de documentación
• En PR pequeños y medianos, aproximadamente un tercio se completa de una sola vez

Consejos clave

• Dejar claro en Claude.md cómo evitar errores repetidos
• Adoptar el hábito de hacer commits y rollbacks frecuentes
• Aplicar un patrón de one-shot seguido de colaboración iterativa

---

Equipo Legal: uso de IA en el área legal

Casos principales de uso

• Personalización rápida de soluciones de accesibilidad personales
  • Creación directa de herramientas como apps de texto predictivo para familiares
• Prototipos de automatización de workflows dentro del área
  • Automatización de árboles de derivación telefónica por equipo y tareas conectadas con G Suite
• Innovación centrada en prototipos
  • Crean prototipos rápidos, luego recogen feedback de especialistas y validan su uso real
• Desarrollo y feedback con foco visual
  • Se comunican con Claude usando capturas de pantalla de interfaces

Conciencia sobre seguridad y compliance

• Con integración MCP, identifican de inmediato problemas de seguridad
• A medida que crece el uso de sistemas de IA, se vuelve prioritario construir herramientas de compliance

Consejos clave

• Planificar y estructurar bien las ideas en Claude.ai antes de implementarlas
• Reducir la carga trabajando por etapas y con solicitudes basadas en capturas de pantalla
• Compartir activamente incluso prototipos con baja terminación

---

[GN⁺]

Opiniones de Hacker News

• Claude Code tiende a resolver siempre solo un 70~80%, y ojalá se enfatizara más esa parte. Por ejemplo, son divertidos consejos como “úsalo como tragamonedas” o “guarda el estado antes de avanzar y úsalo en bloques de 30 minutos; es mejor aceptar el resultado o volver a empezar desde cero que esforzarte en arreglarlo a mitad de camino”. Pero eso es fácil de decir solo cuando no pagas tú mismo el costo de cómputo
  • Desde la perspectiva de un empleado, es curioso el consejo de “aunque salga un buen resultado, genera y corrige el código cientos de veces”. Si haces eso, la empresa solo recibirá una factura enorme y habrá pocos commits reales. Ya hasta salen bromas de “pensamos que la IA lo resolvería todo, pero vamos a tener que contratar más desarrolladores”
  • En mi caso, he usado bastante bien los LLM para generar código. Mi regla es que solo vale la pena si más del 90% de la tarea completa puede hacerla la IA, excluyendo algo de autocompletado simple o edición de texto. Los problemas incluidos en los datos de entrenamiento, por ejemplo configurar un servidor web sencillo en golang, tienen una precisión casi del 100%. Ese tipo de cosas se resuelven en minutos, y permite armar rápido el código más plano de la arquitectura. Mi productividad real ha aumentado entre 30 y 50%
  • Algo que descubrí hace poco es que esa característica de Claude de quedarse en 70-80% puede aplicarse no solo al inicio del proyecto, sino también a la etapa final. Estaba haciendo manualmente una gran refactorización desde cero, definí más o menos la idea y luego se la pasé a Claude, y terminó perfectamente todo lo que faltaba, incluso el CHANELOG. Entiendo esta situación como un ejemplo de prompts centrados en ejemplos o de barandillas fuertes
  • Si agregara algo a la analogía de la tragamonedas, sería que conviene subir al máximo posible el rigor formal del sistema. Si programas en Python de forma relajada y por diversión, al final el resultado sale mal. Si en Haskell refuerzas los chequeos formales con opciones de GHC o property tests, Claude queda expuesto cuando intenta hacer trampa. En TypeScript y similares también sirve forzar una estructura más estricta desde el sistema de tipos. Como Claude se obsesiona con los checkboxes de TODO, al final intentará hacer exactamente lo que se le pide
  • Si un empleado normalmente escribiera código aceptable, pero con una probabilidad del 30% entregara código completamente anormal e inutilizable que hay que rehacer, probablemente sería motivo de despido
• Yo sí he implementado una web app completa con CC. También he probado varias herramientas de codificación con IA y hasta he dado clases y talleres al respecto. El flujo de trabajo más efectivo con CC es organizar una especificación clara y concisa en un archivo md. Luego la referencias explícitamente en cada prompt. Empiezas con user stories, haces que CC redacte un borrador del plan paso a paso, repites el proceso de corregirlo y confirmarlo, y después lo divides para que implemente según las instrucciones concretas. Sin olvidar las pruebas automatizadas y funcionales, y al final haces el merge
  • Buen consejo, muy parecido a mi experiencia. Yo al principio suelo lanzar prompts medio improvisados y luego corregir. También dejé documentado mi propio flujo de trabajo aquí
  • Me pregunto si de verdad este método es más rápido o más eficiente que escribir el código uno mismo
  • Me gustaría saber si puedes compartir algún ejemplo real hecho de esta manera
  • Yo también tuve una experiencia parecida con este flujo, pero odio tanto trabajar así que casi siempre prefiero simplemente programar yo mismo. Escribir especificaciones o user stories es lo que más detesto
• Claude Code se adapta bien a distintos trabajos. Ayer cambié el backend API de un sitio del clima y, aunque las dos API son bastante distintas, hizo casi todo de una sola vez. En casa uso la suscripción de $20/mes, y en la empresa lo estamos probando a través de AWS Bedrock. Cuando se usa con la API de Bedrock, al final de cada sesión aparece enseguida el costo, y eso me desconcierta un poco. De hecho, me preocupa que si este cobro tan detallado por uso continúa, los desarrolladores eviten probar cosas, experimentar o refactorizar, y que eso termine bajando la calidad general del software. Dentro de Anthropic probablemente puedan usarlo sin preocuparse por el costo, así que quizá se libran de este problema
  • Hace unas semanas le pasé la MLB API y le pedí que hiciera un widget para MacOS, y en menos de una hora armó bastante bien uno que mostraba las posiciones por liga, división y wild card. Para proyectos quick & dirty donde basta con diez minutos de revisión, es bastante útil. Tengo más ejemplos parecidos que sí sirven
  • Antes también los ingenieros tenían que preocuparse por costos de datacenter, cloud, SaaS y demás; durante los próximos 5~10 años probablemente se preocuparán por el costo de uso de la IA. Al final llegará un momento en que el costo de la IA será insignificante comparado con el costo del tiempo humano

  • Había un comentario de que “es incómodo ver directamente el costo”, pero la verdad a mí no me importa si una sesión monstruosa de Claude le cuesta unos $10 a la empresa. En la empresa también me dijeron “no te preocupes por el costo, primero experimenta”

  • A mí incluso funciones triviales que le pido a Claude las implementa sutilmente mal, aunque las pruebas lo delatan enseguida, así que creo que convendría ser más cuidadosos
  • Me llama la atención la opinión de que sorprendía ver el costo directamente. Claro, no me gusta que te lo muestren con demasiada frecuencia, pero al experimentar con prompts de agente me gusta poder revisar el costo de cada consulta. A veces el costo cambia solo por una diferencia de una frase en el prompt, así que ¿no da este tipo de información una dirección para innovar? Me pregunto por qué verlo así sería un chilling effect. Creo que muchos ingenieros más bien se concentrarán bastante en innovar para reducir costos
• Llevo unos días cambiando de Gemini Cli a Claude Code. Reconozco que el loop de uso de herramientas es algo mejor. Pero Claude es un poco más “tonto” y trata de terminar el trabajo a la fuerza. Ignora el sentido común o instrucciones claras. Por ejemplo, si le dices que haga pasar las pruebas, a veces en lugar de depurar cambia la estructura de la base de datos. Un par de veces incluso borró todos los protocol buffers y los cambió por JSON. Parece que simplemente tomó eso como la solución por defecto porque no podía depurar proto
  • Yo tuve una experiencia parecida. En una refactorización pequeña iba corrigiendo una mitad razonable, pero si a mitad del proceso parecía complicarse, revertía todos los cambios anteriores y empezaba apresuradamente a automatizar todo con un script de bash. Cuando le señalas “eso ya casi estaba terminado, ¿qué estás haciendo?”, lo reconoce de inmediato. Es el típico caso de alguien que opina con mucha fuerza pero cambia enseguida
  • Mi experiencia coincide en que Claude intenta hacer trampa para “fingir” que las pruebas pasan. A veces borra o salta las propias pruebas y luego dice “¡todos los problemas quedaron resueltos!”. Curiosamente, este comportamiento no lo he visto en otros LLM; normalmente admiten el fallo y, si les das más pistas, lo resuelven bien. Claude parece creer que me va a engañar. Me preocupa qué pasaría si actuara así frente a defectos más importantes
  • Yo también viví algo no muy distinto. Cuando falla una prueba compleja de conjunto, en vez de buscar la causa la reemplaza por una prueba fragmentaria que sea fácil de pasar. Sospecho si el equipo de Claude estará enfatizando tanto el avance rápido para ahorrar costo de cómputo. Además, los timeouts o errores de API ocurren con bastante frecuencia
  • Lo curioso es que si en cualquier parte de una etapa surge un problema, Claude tiene tendencia a decir “trabajo aplazado (Deferred)” y seguir adelante con cualquier excusa. Un humano puede postergar una tarea con criterio, pero una máquina no tiene criterio, así que no creo que deba aceptarse esa actitud
  • Incluso escuché que alguien dijo que Claude borró código por todo el codebase y luego negó haberlo hecho
• Uso bien Claude, pero el post del blog que vi hoy me pareció algo incómodo y tosco. Hasta me dio la impresión de que el equipo del blog lo escribió con Claude
  • El sitio de documentación de MCP también tiene el mismo problema. Son solo listas de viñetas poco amables
  • Siento algo parecido, pero para mí el problema es más bien el contenido. Por ejemplo, la frase de “en lugar de comandos complejos de Kubernetes, pregúntale a Claude y te dará el comando correcto” me hace pensar: ¿de verdad hace falta destacar eso en un blog técnico de IA? Es apenas un consejo básico
  • El problema no es si usaron Claude o no, sino que el texto entero está desordenado, como si solo enumerara respuestas de una encuesta sin ningún hilo conductor, con repeticiones y sin nada de edición innecesaria. No hay ninguna parte curada por alguien responsable
  • Hay mucha información, pero al final se siente como una simple lista de viñetas refinadas
• El primer caso que mencionan es uno donde, depurando k8s, Claude diagnosticó un agotamiento del pool de IP y resolvió el problema sin un experto en redes. Pero me queda la duda de si, en primer lugar, esto no habría pasado desde el inicio si un experto en redes hubiera diseñado el sistema
  • Los expertos también se equivocan. De hecho, todos los humanos se equivocan
• Mi consejo de optimización últimamente es usar entrada por reconocimiento de voz con Claude Code. Solo explico el contexto y el historial como si hablara con una persona. Es muchísimo más rápido que teclear
  • Si usas Mac, la app SuperWhisper está bastante bien
  • Yo estoy satisfecho con el paquete de python hns. Si lo ejecutas en terminal con <i>uvx hns</i>, grabas y al presionar Enter copia automáticamente el texto al portapapeles. Es simple, pero encaja de forma natural en un flujo de trabajo de CLI. Link
  • ¿Hablarle en voz alta a una IA en la habitación? ¿No se siente raro? Yo más bien tecleo más rápido
  • Me interesa saber si hay alguna opción decente también para Ubuntu
• Se habla de un caso donde, durante una caída de un clúster de Kubernetes, usaron Claude Code alimentándolo con capturas de pantalla del dashboard para analizar paso a paso la UI de Google Cloud, detectar una alerta de agotamiento de IP de pod y luego indicar cómo agregar un nuevo pool de IP. Pero me parece un método ineficiente, y me pregunto si de verdad hacía falta IA
  • Si seguimos así, hasta problemas simples se resolverán dependiendo de IA. Me preocupa un mundo donde la gente termine olvidando cómo entender el contexto del problema o incluso a qué red profesional acudir para pedir ayuda, y se vuelva “esclava de la IA”
  • Ese enfoque para resolver problemas es el tipo de cosa que esperaría de un intern o de un ingeniero junior nuevo, aunque también podría haber sido realmente uno de esos casos
• Caso curioso: nuestro equipo también quiso probar Claude Code, pero no está incluido en el plan para equipos, aunque sí se ofrece en el plan Pro del mismo rango de precio. Fue decepcionante enterarnos de eso después de comprarlo. No tenemos intención de pedirles a todos los desarrolladores que paguen por separado. Antes de presumir la experiencia interna del equipo, ojalá mejoren primero la estructura de pagos y suscripciones para que otras empresas externas también puedan usarlo. Hacen modelos de IA de nivel líder en la industria, pero todavía no resuelven cosas básicas como la gestión de suscripciones
  • ¿Por qué crees que no deberían hacer que todos paguen individualmente?
• Yo uso Claude code principalmente solo para discutir ideas o recibir feedback, como si fuera un rubber duck inteligente. La mayor parte del código real la escribo yo. Primero lo llevo a explicar bien sus opiniones e intenciones en el chat, y tengo la regla de que solo haga cambios de código cuando yo se lo pido. Llevo el código al IDE manualmente con copiar y pegar, y entre medio también le explico a Claude los cambios que yo mismo hice. Al principio parece lento, pero al final detecto mejor los problemas y puedo pulir más rápido lo que quiero. Claude es como un desarrollador junior con demasiada confianza. Hay que supervisarlo bien, y si yo soy más rápido, conviene simplemente hacerlo yo mismo. (Puede ser una mala forma de trabajar con juniors, pero con Claude funciona bien). Además, hay que tener en cuenta que este post del blog lo escribió una empresa que vende la herramienta. Creo que hay que filtrar como el 90% del marketing de las empresas de IA. Al final parece que escriben así porque quieren atraer dinero o ser adquiridas
  • ¿Si lo dejas solo en plan mode, no cambia nada automáticamente? Gemini CLI sí tiende a lanzarse a implementar sin dudar :D