Estudi de cas: com un equip AI-ready va escurçar un roadmap de sis mesos a 14 setmanes
Dedico bona part d'aquest blog a defensar que la IA augmenta els enginyers en lloc de substituir-los. Aquest post és aquell argument quan ha d'arribar a producció: un projecte explicat de cap a cap, amb els números al costat.
La situació
Una healthtech de Berlín estava construint una plataforma de suport a la decisió clínica. El producte principal — una aplicació web que posa a l'abast dels metges la recerca i els protocols de tractament rellevants — ja tenia un MVP, però el conjunt de funcionalitats necessari per al llançament comercial exigia molta feina d'enginyeria: un cercador en llenguatge natural, un pipeline d'ingesta de documents PDF, control d'accés basat en rols i un registre d'auditoria que complís la normativa sanitària.
L'equip intern: un CTO, un enginyer de backend i un dissenyador de producte. Havien estimat sis mesos per lliurar el conjunt de funcionalitats comercial. El consell d'inversors volia entrar al mercat en quatre.
Contractar pel circuit tradicional, en un mercat tan competit com el de Berlín, vol dir entre 8 i 12 setmanes per cada enginyer sènior. Havien provat dos freelance a través d'una plataforma: un va fer una feina acceptable però va marxar al cap de dos mesos per una oferta a jornada completa; l'altre va escriure codi que va caldre refer en bona part.
Què necessitaven
- Tres enginyers sènior: un full-stack amb Python/FastAPI i React, un de backend amb experiència en processament de documents i pipelines de NLP, i un especialista en frontend per a la interfície clínica
- La soltesa amb eines d'IA era imprescindible: el codebase ja es desenvolupava amb assistència d'LLM, i calien enginyers capaços de treure'n partit de debò, no només d'escriure codi a mà
- Experiència en l'àmbit sanitari, benvinguda però no imprescindible: el coneixement de la normativa el posava el CTO
- Un mínim de 5 hores diàries de solapament amb Berlín (CET)
- Enginyers capaços de treballar amb molta autonomia: el CTO no tenia marge per a una gestió intensiva
Què va passar
Setmana 1 — Descoberta i selecció.
En una sessió tècnica inicial, un CTO de Conectia va mapar l'arquitectura (backend en Python/FastAPI, PostgreSQL amb pgvector, frontend en React/TypeScript, desplegament a AWS), les prioritats de producte i els reptes tècnics concrets — sobretot el pipeline de NLP i els requisits normatius del registre d'auditoria.
El match va arribar el dia 3. Abans d'acabar la setmana, el client havia confirmat els tres enginyers:
- Un full-stack sènior del Perú (9 anys d'experiència, base sòlida en Python/React, usuari habitual de Cursor i Claude)
- Un backend sènior de Colòmbia (11 anys d'experiència, expert en NLP i processament de documents, amb sistemes RAG en producció a l'esquena)
- Un frontend sènior de les Filipines (8 anys d'experiència, especialista en React, amb bagatge en SaaS sanitari)
Setmana 2 — Incorporació i alineació d'arquitectura.
Els tres enginyers es van incorporar a l'equip. El CTO va fer una sessió d'arquitectura de dues hores per posar tothom d'acord sobre el disseny del sistema, les convencions de codi i les restriccions normatives. Els entorns de desenvolupament van quedar muntats el primer dia. Les primeres PR es van obrir el tercer.
Setmanes 3–14 — Sprint de desenvolupament.
L'equip va treballar en sprints de dues setmanes. Els tres enginyers nearshore i el backend de plantilla van formar un squad de quatre persones, amb el CTO marcant la direcció arquitectònica i vetllant pel compliment normatiu.
L'efecte multiplicador de la IA, a la pràctica
Aquest projecte va demostrar què passa quan tot un equip — no només alguns enginyers per separat — treballa amb soltesa amb la IA.
Pipeline de processament de documents. L'enginyer de backend va fer servir Claude per prototipar el pipeline d'ingesta de PDF: extracció de text, estratègies de chunking, generació d'embeddings i emmagatzematge vectorial. El que haurien estat dues setmanes d'iteració manual va quedar enllestit en quatre dies. No va acceptar la sortida de la IA tal qual: la va fer servir com a bastida inicial i hi va aplicar la seva expertesa en NLP per afinar els límits del chunking, cobrir els casos límit (taules, maquetacions a diverses columnes, figures) i optimitzar la qualitat dels embeddings.
Components de frontend. L'enginyer de frontend va fer servir Cursor per generar l'esquelet dels components de la interfície clínica — targetes de resum de pacient, panells de resultats de cerca, vistes de comparació de protocols — i va dedicar el temps als detalls que les eines d'IA no encerten: l'accessibilitat, el comportament responsive a totes les mides de pantalla i els patrons d'interacció que els metges esperen d'un programari clínic.
Generació de tests. L'enginyer full-stack va generar amb eines d'IA les suites de tests de la capa d'API. La cobertura va passar del 35% al 78% en dues setmanes. Els tests generats no eren perfectes — prop d'un 20% va requerir correcció manual per casos límit i matisos de lògica de negoci — però l'estalvi de temps va ser substancial: escriure aquella cobertura a mà hauria estat feina de tres setmanes.
Revisió de codi accelerada. L'equip va adoptar la revisió assistida per IA com a primera passada abans de la revisió humana. Les eines marcaven possibles problemes (patrons de seguretat, llacunes en la gestió d'errors, inconsistències) perquè els revisors humans es poguessin concentrar en les decisions d'arquitectura i en la correcció de la lògica de negoci.
L'efecte combinat: un conjunt de funcionalitats que el client havia estimat en sis mesos va sortir en 14 setmanes — una compressió del calendari d'aproximadament el 40%. Això és l'efecte multiplicador de la IA: no ve de treballar més hores, sinó d'eliminar la feina mecànica i concentrar el judici humà allà on més compta.
El resultat
Llançament comercial en 14 setmanes. El conjunt de funcionalitats estimat en sis mesos es va lliurar en tres mesos i mig. La compressió va venir de tres bandes: un equip muntat més de pressa (2 setmanes en lloc de 12), més velocitat per enginyer (desenvolupament assistit per IA) i menys cicles de retreball (codi de qualitat, avalat per un CTO, des del primer dia).
Qualitat de producció. Zero bugs crítics en els primers 30 dies després del llançament. El registre d'auditoria va passar la revisió de conformitat sanitària sense cap modificació. La cobertura de tests en el moment del llançament era del 82%, molt per sobre de l'objectiu del 70% que s'havia marcat l'equip.
Resultat de negoci. L'empresa va entrar al mercat dos mesos abans del termini que havien marcat els inversors. L'accés anticipat va atreure tres institucions sanitàries pilot en les primeres sis setmanes. El CEO va atribuir aquesta entrada avançada a la velocitat de lliurament de l'equip d'enginyeria.
Transferència de coneixement. Acabat l'sprint inicial de 14 setmanes, dos dels tres enginyers nearshore van continuar al projecte per al desenvolupament posterior. El tercer va plegar un cop enllestit el pipeline de NLP, deixant la documentació completa i el coneixement traspassat a la resta de l'equip.
Què ho va fer funcionar
La competència en IA es va validar, no es va donar per feta. Tots els enginyers d'aquest equip havien superat l'avaluació de competència en IA de Conectia abans de presentar-los al client. No els va caldre cap formació en eines d'IA: van arribar a punt per fer-les servir bé, i amb el criteri per saber quan la sortida de la IA necessitava correcció humana.
El nivell de seniority adequat. Les eines d'IA amplifiquen l'ofici; no el substitueixen. Un enginyer mid-level amb Cursor no es converteix en sènior. Un sènior amb Cursor es torna molt més ràpid sense perdre el criteri que evita que els bugs introduïts per la IA arribin a producció. Els 7–11 anys d'experiència mitjana de l'equip van ser essencials.
Ownership clar i mínima càrrega de gestió. El CTO marcava la direcció i revisava les decisions importants. El dia a dia, se l'autogestionaven els enginyers. Va funcionar perquè els enginyers sènior que es comuniquen bé no necessiten microgestió: necessiten context, objectius clars i autonomia per executar.
Els números
| Mètrica | Valor |
|---|---|
| Estimació inicial | 6 mesos |
| Temps de lliurament real | 14 setmanes (3,5 mesos) |
| Compressió del calendari | 40% |
| De la primera trucada a l'inici dels enginyers | 10 dies laborables |
| Bugs crítics en els primers 30 dies | 0 |
| Cobertura de tests al llançament | 82% |
| Cost respecte d'un equip equivalent a Berlín | ~60% d'estalvi |
| Enginyers que van continuar després del projecte inicial | 2 de 3 |
Estàs construint un producte amb IA i necessites un equip que ja sàpiga fer servir les eines d'IA en producció? Comença amb una trucada de descoberta amb un CTO: t'emparellem enginyers competents en IA segons el teu stack i el teu calendari.
