La inteligencia artificial ya llegó —y no como una promesa futura, sino como una herramienta concreta que hoy tiene la capacidad de resolver problemas complejos y ejecutar tareas que antes requerían alta especialización técnica y mucho tiempo humano.
Hoy existen modelos como Claude OPUS 4.5 que pueden mantener foco y coherencia en trabajos complejos durante varias horas seguidas. Algo que parecía casi imposible allá por 2022, cuando probábamos GPT-3, o cuando Gemini aún se llamaba Bard.
A esta altura, ya no está en duda que el código que generan estos modelos funciona y que puede ser de enorme ayuda en el día a día.
Sin embargo, siguen existiendo desafíos importantes:
- Adherencia consistente a best practices
- Uso de documentación actualizada
- Correcta adaptación a casos de uso específicos
- Seguridad y control cuando el LLM empieza a “actuar” y no solo a responder
AWS entra fuerte al juego: NOVA + MCP
Hace no más de dos meses, AWS sorprendió lanzando la familia de modelos NOVA, con capacidades SOTA (state of the art) y variantes optimizadas para distintos casos de uso.
Pero lo más interesante no fue solo el modelo, sino el ecosistema completo que lo acompaña: una gama extensa de MCPs (Model Context Protocols).
Los MCPs permiten extender las capacidades de los agentes de IA, dándoles contexto, herramientas y acciones controladas sobre sistemas reales.
👉 Repositorio oficial:
https://awslabs.github.io/mcp/
Más de 50 MCPs disponibles, cubriendo desde infraestructura hasta seguridad, despliegue y monitoreo.
MCPs que estuve probando en mi flujo AWS
En particular, estuve experimentando con MCPs enfocados en:
- AWS Terraform
- AWS Core
- AWS Diagrams
Y quiero contarles por qué me parecieron tan potentes.
🔹 AWS Terraform MCP
Este MCP provee:
- Documentación actualizada de cada AWS resource
- Mejores prácticas de:
- Organización de módulos
- Separación por entornos
- Políticas IAM
- Uso correcto de servicios
- Contexto específico de AWS (algo que suele fallar en LLMs genéricos)
El resultado es Terraform mucho más limpio, seguro y alineado a producción real, no solo “infraestructura que compila”.
🔹 AWS Diagrams MCP
Permite crear diagramas de arquitectura AWS de forma programática usando Python.
Ventajas:
- Renderiza la arquitectura completa
- Documenta visualmente el flujo
- Ayuda a explicar decisiones técnicas
Limitaciones:
- Sin mucha especificación inicial, el orden del diagrama puede no ser ideal
- Con un par de iteraciones, el resultado mejora notablemente
Ejemplo real:
Caso real: de script local a arquitectura AWS completa
Me propuse un reto personal:
Migrar un script local que orquestaba:
- Chatterbox TTS Turbo
- Whisper
- GPT-5 mini
El objetivo era la traducción de materiales educativos, pasando de algo local y artesanal a una arquitectura cloud-native.
Decisiones clave
- Uso de SageMaker Async Inference
- Necesidad de GPU
- No requiere procesamiento en tiempo real
- Arquitectura desacoplada
- Seguridad desde el inicio
Ejecución
Usando:
- Docker MCP Gateway
- GitHub Copilot
- Claude OPUS 4.5
En menos de 10 minutos tenía:
- Terraform completo
- Separación por entornos
- Módulos bien definidos
- Arquitectura clara
- Roles IAM con permisos mínimos
- Acceso seguro
- Notificaciones SNS para el flujo
- Todo gestionado 100% por Terraform
Literalmente, como arte de magia ✨ —pero con control y buenas prácticas.
Seguridad y tooling: no es solo “que funcione”
Algo que me gustó mucho del enfoque de AWS con MCP es que no se quedan solo en funcionalidad.
También incluyen herramientas para:
- Scanning de IaC con Checkov
- Despliegue seguro
- Monitoreo
- Guardrails para agentes
Esto es clave cuando empezamos a darle a los LLMs:
- Acceso a infraestructura
- Capacidad de escribir código
- Poder de ejecutar acciones reales
¿Para quién lo recomiendo?
Recomiendo estas herramientas encarecidamente a cualquier persona que tenga acceso a agentes como:
- Cursor
- Antigravity
- Claude
- GitHub Copilot (con modelos avanzados)
Y que quiera optimizar tiempo sin sacrificar calidad ni seguridad.
Marco de adopción que recomiendo
Un esquema práctico para integrar IA generativa en el trabajo diario:
Nivel 1 – ASK
Explicar código, razonar, conversarNivel 2 – In-file generation
Crear y optimizar código directamente en archivosNivel 3 – Orquestación + MCPs + Web Search
Con guardrails claros para evitar sobre-permisosNivel 4 – Orquestación completa
Idea → planificación → implementación → despliegue
Espero que les haya resultado interesante 🙌
Si quieren, síganme y cuéntenme en los comentarios
👉 ¿cómo está siendo su experiencia con la IA generativa en su día a día?
Top comments (0)