Hay demasiado ruido en internet sobre herramientas de IA para desarrollo. Listas de 50 herramientas que nadie usa, comparaciones de benchmarks que no se traducen en productividad real, y mucho hype de productos que acaban de salir. Este artículo es distinto: son las herramientas que yo uso en producción, con proyectos reales de clientes, con plata en juego.
Si quieres entender primero cómo integro estas herramientas en mi flujo de trabajo, tengo un artículo donde explico cómo uso IA para desarrollar páginas web más rápido. Acá me enfoco en las herramientas específicas: qué hacen, cómo las uso, qué tienen de bueno y dónde fallan.
Claude — el asistente de código que más uso
Claude de Anthropic es mi herramienta principal. Lo uso todos los días, en casi todas las etapas del desarrollo. Hay varias razones por las que elegí Claude sobre las alternativas, y no es solo porque sea el más nuevo o el más publicitado.
La primera razón es el contexto largo. Claude puede leer archivos completos, múltiples archivos a la vez, y mantener coherencia en respuestas largas. Cuando le paso un componente de 300 líneas y le pido que lo refactorice siguiendo un patrón específico, entiende el código entero — no solo el fragmento que le copié. Eso marca una diferencia enorme en proyectos reales.
La segunda razón es la honestidad. Cuando no sabe algo o cuando mi código tiene un problema que no puede resolver bien, lo dice. Prefiero eso a que me genere código que se ve correcto pero que tiene errores sutiles.
Lo uso principalmente para: generar componentes UI desde una descripción, refactorizar funciones complejas, escribir tests unitarios, revisar código en busca de problemas de seguridad web, y hacer debugging cuando un error no tiene sentido a primera vista.
Lo que no hace bien: no tiene acceso a tu proyecto en tiempo real a menos que se lo des explícitamente. Puede generar código que no calza con el resto de tu arquitectura si no le das suficiente contexto. Y a veces sobreexplica — tienes que aprender a pedir respuestas más directas.
Cursor — el IDE con IA integrada
Cursor es un editor de código (basado en VS Code) con IA integrada directamente en el flujo de edición. La diferencia con usar un chat de IA en otra ventana es que Cursor ve tu proyecto completo: estructura de carpetas, archivos abiertos, historial de cambios recientes.
El feature que más uso es el modo de edición en línea. Seleccionas un bloque de código, describes qué quieres cambiar, y Cursor hace la edición directamente en el archivo. Sin copiar, sin pegar, sin saltar entre ventanas. Para refactorizaciones pequeñas y medianas, esto ahorra mucho tiempo.
También tiene un modo de chat con contexto del proyecto que es útil cuando necesitas que entienda la estructura completa antes de sugerir algo. Le puedo preguntar "¿cómo maneja la autenticación este proyecto?" y me responde basándose en el código real, no en suposiciones genéricas.
Dónde falla Cursor: en proyectos grandes con muchos archivos, a veces el contexto se pierde. También tiende a sugerir soluciones complejas cuando una simple es suficiente. Y si tu código tiene deuda técnica, a veces refuerza los malos patrones en lugar de romperlos.
Mi flujo actual combina ambos: Cursor para edición rápida y en contexto, Claude para preguntas más complejas de arquitectura y análisis de código que requieren más razonamiento.
APIs de visión y OCR — el núcleo de Aigastos
Para Aigastos, una app que registra gastos automáticamente desde fotos de boletas, necesitaba procesar imágenes con precisión. Las APIs de visión de Anthropic (con el modelo Claude) y las alternativas de Google Vision son las que probé en profundidad.
Lo que hacen estas APIs: reciben una imagen, la analizan y devuelven información estructurada. En el caso de Aigastos, la imagen es una boleta y la información que necesito es monto total, fecha, nombre del comercio y lista de productos. El modelo no solo reconoce texto como el OCR tradicional — entiende la estructura del documento y extrae los datos relevantes.
La precisión en condiciones normales es de 90% o más. El problema es en condiciones no normales: boletas arrugadas, fotos con poca luz, tickets térmicos que ya están desvanecidos, o formatos de boleta que el modelo nunca vio en entrenamiento. Para esos casos, hay que construir lógica de fallback y un flujo de corrección manual.
El costo es por llamada, así que la optimización importa: no enviar imágenes que claramente no son documentos, comprimir antes de enviar, y cachear resultados cuando la misma imagen se procesa más de una vez. Con esa optimización, el costo de API en Aigastos es manejable incluso con volumen alto.
Una cosa que aprendí: para proyectos con documentos estructurados (facturas, contratos, formularios), vale la pena construir prompts específicos para tu tipo de documento en lugar de usar prompts genéricos. La diferencia en precisión es significativa.
Supabase Edge Functions — IA en el servidor
Cuando integras IA en una aplicación web, hay una decisión arquitectural importante: ¿procesas en el cliente o en el servidor? Hacerlo en el cliente significa exponer tu API key en el navegador — cualquiera puede verla con las herramientas del desarrollador y usarla a tu costo. No es una opción viable para producción.
Las Supabase Edge Functions resuelven esto. Son funciones serverless que corren en el borde (cerca del usuario), donde puedo guardar las claves de API como variables de entorno y procesarlas sin que el cliente las vea. El flujo es: el usuario envía la imagen o el texto desde el navegador, mi Edge Function la recibe, llama a la API de IA con las claves del servidor, y devuelve solo el resultado procesado al cliente.
Las ventajas van más allá de la seguridad: también puedo validar, transformar y enriquecer los datos antes de guardarlos en la base de datos, todo en el mismo lugar. Y como Supabase ya es parte de mi stack para la mayoría de proyectos, no agrego infraestructura nueva — simplemente uso las funciones que ya están disponibles.
El límite de tiempo de ejecución (50ms por defecto, extensible) puede ser un problema si el procesamiento de IA toma mucho. En ese caso, el patrón es lanzar la función asíncrona y devolver un estado de "procesando" al usuario, que después consulta el resultado. Un poco más de complejidad, pero funciona bien.
n8n — automatización con IA sin escribir todo el código
n8n es una herramienta de automatización de flujos de trabajo con interfaz visual. Permites conectar servicios, definir lógica condicional y ejecutar procesos automáticos sin tener que escribir todo el código desde cero. Tiene nodos para los servicios más comunes: bases de datos, APIs, email, WhatsApp, Google Sheets, y más.
Lo uso principalmente para proyectos de clientes que necesitan automatización de procesos de negocio: clasificar correos entrantes, generar reportes periódicos, sincronizar datos entre sistemas, o enviar notificaciones basadas en condiciones. Con la integración de nodos de IA, puedo agregar un paso que procesa texto o clasifica contenido sin tener que construir todo el pipeline manualmente.
La ventaja de n8n sobre construir la automatización directo en código: el cliente puede ver el flujo, entenderlo parcialmente, y solicitar ajustes sin que yo tenga que explicar código. También es más fácil de mantener cuando el flujo es complejo y tiene muchas ramas.
Lo que n8n no resuelve bien: lógica de negocio muy específica que necesita código custom, volúmenes altísimos donde el rendimiento importa, y casos que requieren acceso a datos que no tienen un nodo disponible. Para eso sigo preferiendo código.
Herramientas que probé y dejé de usar
Esto es tan importante como la lista de lo que uso. Hay herramientas que probé con expectativas altas y las abandoné.
GitHub Copilot: Lo usé por varios meses. El problema es que sugiere mientras escribes, lo que suena bien pero en la práctica me interrumpe el flujo de pensamiento constantemente. Terminé ignorando las sugerencias más de la mitad del tiempo. Cursor resuelve el mismo problema de manera más natural.
ChatGPT para código: Funciona, pero la ventana de contexto limitada en los planes normales es un problema real. Cuando el archivo que necesito analizar tiene más de 200 líneas, la calidad de las respuestas baja notoriamente. Claude maneja esto mejor.
Herramientas de generación de UI automática: Probé varias que prometen generar interfaces completas desde un prompt o desde un diseño en Figma. El resultado siempre requería reescribir tanto que era más rápido hacerlo desde cero. Quizás en 2027.
Make (antes Integromat): Similar a n8n en concepto, pero el modelo de precios por operaciones se vuelve caro cuando los flujos se ejecutan muchas veces al día. n8n self-hosted tiene mejor relación costo-beneficio para el volumen que manejo.
Qué busco en una herramienta de IA
Con el tiempo desarrollé criterios claros para evaluar si una herramienta de IA vale la pena incorporar al stack o no.
El primero es la confiabilidad. ¿Funciona consistentemente o tiene días buenos y días malos? Para producción necesito algo predecible. El segundo es el contexto: ¿entiende el problema completo o trabaja con información fragmentada? Las mejores herramientas son las que permiten darle más contexto para obtener mejores resultados.
El tercero es la transparencia en los errores. Prefiero una herramienta que diga "no sé" a una que genere algo con confianza que está mal. El cuarto es el costo predecible. Las herramientas con precios por uso tienen costos que pueden dispararse — prefiero planes fijos cuando sea posible, o costos por uso con límites claros.
Si estás evaluando incorporar IA a tu proyecto y no sabes por dónde empezar, lo mejor es partir por un caso de uso específico donde tengas un cuello de botella claro. No la implementes en todo a la vez. El artículo sobre IA en desarrollo web tiene más detalle sobre qué funciona y qué no en proyectos reales. Y si el objetivo es automatizar procesos de negocio, este otro artículo cubre eso en detalle.
Si tienes un proyecto en mente y quieres conversar sobre qué herramientas tienen sentido para tu caso, escríbeme. El stack depende del problema, no al revés.