Aquí publico notas de implementación, lecciones de arquitectura y heurísticas de entrega extraídas de construir sistemas de IA que tienen que funcionar fuera del entorno demo.
El foco es práctico: cómo hacer workflows agentic más fiables, cómo mejorar la calidad de retrieval y cómo poner en producción APIs de IA que un equipo interno pueda operar.
Diseño de workflows agentic
Patrones de orquestación determinista, límites de uso de tools, revisión humana y contención de fallos.
RAG y retrieval híbrido
Decisiones prácticas sobre ranking, fusión, evaluación y por qué muchos sistemas RAG rinden por debajo de lo esperado en producción.
Entrega de IA en producción
Contratos API, diseño de servicios con FastAPI, límites de despliegue, observabilidad y qué cambia cuando llegan usuarios reales.
Automatización de email con IA: del caos a la acción
La versión pública, vía webinar, de un sistema de automatización de email en producción construido con PydanticAI, RAG y FastAPI.
Playbook de producción para workflows agentic AI
Una checklist práctica para decidir qué debe seguir siendo determinista, qué puede delegarse al modelo y cómo mantener el sistema testeable.
Playbook de retrieval para RAG híbrido
Por qué el retrieval híbrido suele funcionar mejor que la búsqueda vectorial pura y cómo estructurar el sistema para evolucionar el ranking con seguridad.
Cómo poner en producción APIs de IA con FastAPI
Límites de servicio, contratos streaming, procesamiento en background y detalles operativos que importan cuando el tráfico ya es real.
Si tu equipo ya está experimentando con IA pero necesita decisiones de arquitectura más sólidas, ese es exactamente el gap que ayudo a cerrar.
Tuve la oportunidad de presentar en Datamecum Webinar 2025, donde expliqué cómo construí un sistema GenAI de automatización de email en producción que redujo el triaje diario de 100+ items a 10-15 accionables.
FastAPI hace fácil levantar un endpoint de IA con rapidez. La parte difícil es decidir cómo debe ser el contrato cuando el workflow incluye retrieval, tareas de larga duración, respuestas parciales y failure modes operativos.
Muchos sistemas RAG decepcionan por la misma razón: el equipo trata retrieval como una única decisión de implementación en lugar de como una capacidad de producto que debe evolucionar. En la práctica, distintas clases de consulta necesitan fortalezas distintas.
La forma más rápida de crear un sistema de IA frágil es tratar cada paso como una decisión abierta del modelo. La forma más rápida de crear uno útil es decidir explícitamente dónde debe vivir el determinismo y dónde el modelo está aportando valor de verdad.