De copiar y pegar código a tener IA trabajando mientras duermes
Hay una frase que Matias Castello, Product Lead en Alchemy, dijo en el podcast Builders Unscripted de OpenAI que no se me va de la cabeza: "Me sentía culpable de salir porque sentía que debía estar aprovechando esta tecnología increíble y construyendo cosas todo el tiempo." No lo dice como queja. Lo dice como el momento en que entendió que tenía que cambiar su relación con la IA.
Matias no es ingeniero de formación. Viene del mundo de productos de consumo, pasó por Facebook en sus primeros años como plataforma de developers, y hoy lidera producto en Alchemy, una empresa de infraestructura para blockchain. Y aun así, en junio de 2026, gestiona 12 proyectos personales en paralelo, construye apps nativas para Mac e iOS, y ha diseñado un sistema donde Codex trabaja por horas mientras él hace otra cosa.
Este artículo no es sobre blockchain ni sobre Alchemy en particular. Es sobre cómo un product manager sin background técnico llegó a construir más que muchos ingenieros, qué momento específico cambió la adopción de IA en su empresa, y qué podemos aprender de eso quienes lideramos equipos o empresas en Latinoamérica.
El momento que lo cambió todo: code review retroactivo
En Alchemy tuvieron un incidente técnico relacionado con una migración grande de código. Después del postmortem interno, identificaron la causa raíz — una race condition — y la corrigieron. Hasta ahí, nada extraordinario. Lo interesante vino después.
Alguien en el equipo tuvo la idea de pasarle ese mismo bug a Codex de manera retroactiva, para ver si la IA lo hubiera detectado antes de que llegara a producción. Lo detectó. Repitieron el experimento un par de veces con otros casos. El resultado fue consistente.
Ese momento fue el quiebre. Según Matias, hasta entonces había una resistencia implícita en el equipo: la sensación de que los LLMs no eran suficientemente buenos para código en producción, para una base de código grande y compleja, para un sistema que sirve a muchos usuarios. El experimento del code review retroactivo destruyó esa resistencia con datos concretos, no con argumentos teóricos.
Días después, Matias vio a uno de los ingenieros del equipo haciendo algo que antes hubiera parecido raro: enviaba un pull request, invocaba a Codex para que lo revisara, atendía los comentarios, volvía a pedir revisión, y así en bucle. Estaba usando a Codex como si fuera un colega técnico más. Ese es exactamente el tipo de adopción orgánica que ninguna política de empresa puede forzar — solo ocurre cuando la herramienta demuestra ser útil de verdad.
El sistema que permite construir sin estar frente a la pantalla
Lo que Matias describe para sus proyectos personales es, en esencia, un sistema de delegación asíncrona a la IA. No es magia ni requiere un setup técnico imposible. Requiere inversión en procesos y en lo que él llama skills: instrucciones estructuradas y reutilizables que le dicen a Codex exactamente qué hacer y cómo hacerlo.
Su flujo funciona así: antes de salir a cenar, antes de dormir, durante su hora de almuerzo, abre una ventana de Codex y le despacha trabajo. Puede ser un nuevo proyecto desde cero — le describe la idea, Codex arma el plan, implementa y reporta cuando termina. O puede ser sobre un producto existente: le pide a Codex que investigue competidores, identifique las diez funcionalidades más prometedoras, las construya como experimentos con feature flags, y al día siguiente él solo activa o desactiva lo que considera bueno.
El resultado: Matias no es el cuello de botella en la generación de ideas, pero sí mantiene el control editorial sobre qué queda y qué se descarta. Esa distinción es importante. No está entregando el producto a la IA — está entregando la ejecución inicial y reservándose el juicio.
Este modelo es replicable. No depende de ser product manager en una empresa de Silicon Valley. Depende de tomarse el tiempo de diseñar los flujos una vez y luego confiar en ellos.
¿Cómo aplica esto en empresas de Perú y Latinoamérica?
La historia de Alchemy tiene paralelos directos con lo que vemos en empresas medianas de la región. El patrón es casi siempre el mismo: hay curiosidad sobre IA, se hacen algunas pruebas aisladas, pero la adopción real no escala porque falta ese momento de prueba concreta que convenza al equipo técnico.
Lo que hizo Alchemy fue inteligente: en lugar de pedir al equipo que adoptara IA por fe, usaron un incidente real como laboratorio. Tomaron un bug que ya había ocurrido y demostraron que la IA lo hubiera detectado. Eso es más poderoso que cualquier demo o presentación.
Para equipos de desarrollo en Perú y LATAM, el equivalente podría ser: tomar los últimos tres o cinco bugs que llegaron a producción en los últimos seis meses y pasarlos por un proceso de code review con IA. Ver cuántos hubiera detectado. Ese ejercicio, si los resultados son positivos — y en la mayoría de casos lo son — puede ser el catalizador que cambie la actitud del equipo de manera genuina.
Para líderes de producto y gerentes generales, la lección es diferente pero igual de valiosa: el valor de la IA no está en reemplazar personas sino en eliminar los cuellos de botella. Matias sigue decidiendo qué features son buenas. Codex ejecuta la exploración inicial. Esa división del trabajo es la que permite escalar sin necesariamente contratar más personas.
¿Cómo aplica esto en tu empresa?
Si lideras un equipo técnico, el primer paso concreto no es implementar un sistema complejo. Es hacer el experimento del code review retroactivo. Toma un incidente reciente, pásalo por una herramienta de revisión con IA, y comparte el resultado con tu equipo. Deja que los datos hablen.
Si eres product manager o líder de área, el siguiente paso es identificar una tarea repetitiva que haces cada semana — análisis de feedback de clientes, redacción de documentos de requerimientos, revisión de propuestas — y diseñar una instrucción estructurada que puedas reutilizar. No tiene que ser perfecta desde el primer día. Tiene que funcionar lo suficientemente bien como para ahorrarte tiempo real.
Y si eres founder o estás pensando en lanzar algo, la reflexión de Matias sobre su startup anterior es un dato que vale la pena tomar en serio: lo que antes requería meses, un equipo de ingenieros y capital de inversión, hoy puede hacerse en días con las herramientas correctas. El costo de experimentar nunca fue tan bajo.
Conclusión
El caso de Matias Castello y Alchemy no es una historia sobre blockchain ni sobre Silicon Valley. Es una historia sobre cómo la adopción real de IA en un equipo ocurre cuando hay un momento de prueba honesta, no cuando alguien desde arriba decide que "hay que usar IA". Y sobre cómo, una vez que esa adopción ocurre, cambia no solo la velocidad de trabajo sino la forma en que defines qué es posible.
En Consultoría-Ti trabajamos con empresas en Perú y Latinoamérica que están exactamente en ese momento de transición: saben que la IA puede ayudarles, pero no saben por dónde empezar de manera que tenga impacto real. Si ese es tu caso, conversemos.
¿Quieres explorar cómo integrar IA de manera práctica en los flujos de trabajo de tu equipo? Escríbenos a través de nuestra página de contacto y con gusto analizamos tu caso.
Fuentes y Referencias
Builders Unscripted Ep. 3 — Matias Castello, Product Lead at Alchemy (OpenAI YouTube)
✨ Contenido generado con ContentFlow — Consultoría-Ti