Hablá con un ingeniero

uptime desde 2001 · seguimos shippeando

Ingenieros senior para sistemas que tienen que seguir funcionando.

Del assembly de 6502 a los sistemas multiagente.

Lo construimos, lo operamos y después lo automatizamos. El mismo equipo y el mismo cliente, desde el código legacy que nadie quiere tocar hasta los agentes que ahora tocan todo.

$ claude --mcp drupal Un trace de un agente: se le pide crear el curso "Internal audit 101" con tres módulos como borrador, el agente llama a Drupal cuatro veces y avisa que el borrador está listo para revisar.
> Create the course "Internal audit 101" with 3 modules, as draft
⏺ drupal.create_node(type="course", title="Internal audit 101", status="draft")
  ⎿ node/4812 created
⏺ drupal.create_node(type="module", parent=4812, title="Scope and materiality")
  ⎿ node/4813 created
⏺ drupal.create_node(type="module", parent=4812, title="Sampling")
  ⎿ node/4814 created
⏺ drupal.create_node(type="module", parent=4812, title="Reporting")
  ⎿ node/4815 created
✓ Draft ready for review: /admin/content/4812
# a human approves before anything goes live
$ claude --mcp drupal Un trace de un agente: se le pide crear el curso "Internal audit 101" con tres módulos como borrador, el agente llama a Drupal cuatro veces y avisa que el borrador está listo para revisar.
> Create the course "Internal audit 101" with 3 modules, as draft
⏺ create_node(course) → 4812
⏺ create_node(module) ×3 → 4813–15
✓ Draft ready for review
trabajamos con


Un ciclo, no un menú.

Drupal, Next.js, DevOps y AI no son cuatro proveedores. Son etapas del mismo trabajo, así nada se pierde entre «funciona en mi máquina» y «se ejecuta solo».

  1. 01 /build

    Plataformas que salen a producción

    Plataformas de contenido y aplicaciones web en Drupal y Next.js, más el código a medida que el problema realmente necesita.

    • Drupal headless + Next.js
    • Rescates y actualizaciones de sistemas heredados
    • Integraciones y APIs

    ideal cuando: necesitás que esté en producción, no un prototipo

  2. 02 /run

    Infraestructura que no se cae

    Infraestructura y operación en AWS y Google Cloud. Lo que construimos, lo operamos — y atendemos la guardia.

    • Kubernetes, Terraform, Helm
    • CI/CD y pipelines de release
    • Monitoreo, seguridad, guardia

    ideal cuando: cada minuto caído te cuesta dinero

  3. 03 /automate

    Agentes sobre tus datos

    Agentes, chatbots y sistemas multiagente conectados a los sistemas que ya usás — con una persona en cada compuerta.

    • Servidores MCP para tu CMS
    • Chatbots sobre tus reportes
    • Multiagente en AWS Bedrock

    ideal cuando: tu equipo repite la misma tarea todos los días


Trabajos

En cada caso, qué parte del ciclo operamos. Filtrá por etapa.

work/udesa.md

Una captura del trabajo de Universidad de San Andrés.

Universidad de San Andrés

El sitio de la universidad, front y back

Drupal headless y Next.js, construido en 2022 y operado por nosotros desde entonces. Lo próximo: IA para editores, visitantes y marketing.

work/barcelo.md

Una captura del trabajo de Fundación Barceló.

Fundación Barceló

Un sitio nuevo para una universidad con sedes en todo el país

Next.js sobre un Drupal 11 headless, en producción desde octubre de 2026: los editores manejan menús, vistas previas y despliegues, con IA que les sugiere cómo etiquetar el contenido.

$ ls work/ --all · 3 cases →


El cuaderno de AI

Nada de "soluciones de AI". Lo que hicimos, en orden, como un cuaderno de laboratorio.

nov 2026

Sistema multiagente en AWS Bedrock

AWS Bedrock AgentCore · Step Functions [EN PRODUCCIÓN]
problema:
Procesos de negocio que hoy requieren varias personas y pasos manuales.
qué hicimos:
Agentes coordinados sobre AWS Bedrock.
stack:
AWS Bedrock AgentCore · Step Functions
AWS Bedrockpedidoorquestadoragente · 1agente · 2agente · 3resultado
oct 2026

AI-DLC como workflow de desarrollo

AI-DLC · Claude Code · Kiro [USO INTERNO]
problema:
Nuestro harness funcionaba, pero era solo nuestro: propietario y difícil de estandarizar.
qué hicimos:
Pasamos nuestro workflow con agentes a AI-DLC, un ciclo de desarrollo abierto, para estandarizar cómo trabajamos y dejar de mantener algo propietario.
stack:
AI-DLC · Claude Code · Kiro
Una terminal con el workflow de desarrollo del sitio nuevo: el intent y los mockups están listos, las prácticas están en curso, los requisitos vienen después, y cada gate espera a una persona.
✓ intent          ✓ rough mockups
▸ practices       · requirements
# every gate waits for a human
sep 2026

PHP 7 → PHP 8 y Symfony, con agentes

PHP 8 · Symfony · Kiro · et-mh [EN PRODUCCIÓN]
problema:
Una aplicación legacy en PHP 7 sobre un framework propietario, con una interfaz vieja.
qué hicimos:
La portamos a PHP 8, la mudamos del framework propietario a Symfony y le hicimos un nuevo look and feel, con Kiro y nuestro propio harness (et-mh).
stack:
PHP 8 · Symfony · Kiro · et-mh
Un cambio en composer.json: se quitan PHP 7.4 y el framework legacy, se agregan PHP 8.2 y el framework bundle de Symfony 7.
# composer.json
-  "php": "^7.4",
-  "vendor/legacy-framework": "*"
+  "php": "^8.2",
+  "symfony/framework-bundle": "^7.0"
nov 2025

Nuestro primer harness de desarrollo (et-mh)

Spec-driven · OpenSpec · coding agents [USO INTERNO]
problema:
Entregar más rápido sin perder control.
qué hicimos:
Un harness spec-driven que se instala en cualquier repo y funciona con el agente que ya usás (Claude Code, Codex, Gemini CLI, Cursor): un contrato común, agentes expertos por stack y aprobación humana en cada etapa.
stack:
Spec-driven · OpenSpec · coding agents
Una spec escrita como given, when, then: una persona en la página de contacto que envía el email vacío ve "Email is required" en el campo.
# spec: contact-form.md
GIVEN a visitor on /contact
WHEN  they submit an empty email
THEN  the field shows "Email is required"
sep 2025

Drupal operado desde Claude (MCP)

Drupal · MCP · Claude [EN PRODUCCIÓN]
problema:
Crear cursos en la plataforma de capacitación llevaba mucho trabajo manual.
qué hicimos:
Un servidor MCP sobre Drupal para crear y editar capacitaciones desde Claude.
stack:
Drupal · MCP · Claude
Un trace de un agente: se le pide agregar un quiz al curso "Internal audit 101", el agente llama a Drupal una vez y vincula el quiz nuevo al módulo Sampling.
> Add a quiz to "Internal audit 101"
⏺ drupal.create_node(type="quiz", parent=4812)
  ⎿ node/4816 created
✓ Linked to module "Sampling"
may 2023

Chatbot de IA sobre reportes de campaña

OpenAI API · Go [EN PRODUCCIÓN]
problema:
Analizar los reportes de una campaña requería leerlos a mano.
qué hicimos:
Un chatbot sobre la API de OpenAI que responde preguntas sobre los reportes.
stack:
OpenAI API · Go
Una pregunta al chatbot sobre qué conjunto de anuncios tuvo el peor CTR la semana pasada, respondida con el conjunto B al 0,4%, citando la página 3 del reporte semanal.
> Which ad set had the worst CTR last week?
  Set B · 0.4% CTR (weekly report, p.3)
oct 2020

Detección de anomalías con redes neuronales

Neural network (autoencoder) · Keras · linear regression [POC]
problema:
Encontrar consumos eléctricos anómalos entre 26.000 registros.
qué hicimos:
Entrenamos una red neuronal (un autoencoder) para que aprenda cómo es un consumo normal. Los registros que no puede reconstruir bien se marcan como anomalías. La comparamos con un ajuste lineal clásico para ver qué detecta cada método.
stack:
Neural network (autoencoder) · Keras · linear regression
entradacomprimidoreconstruidoerror alto= anomalía
mar 2020

iArxiv: un recomendador de papers de física con machine learning

Machine learning · LDA topic models [PUBLICADO]
problema:
Los físicos reciben cientos de papers nuevos por día en arXiv.
qué hicimos:
Recomendador con topic modeling (LDA) que aprende las preferencias de cada usuario. Paper publicado.
stack:
Machine learning · LDA topic models
Código Python que entrena un modelo LDA de 50 tópicos con gensim, para puntuar los papers de cada día según los tópicos de cada lector.
from gensim.models import LdaModel
lda = LdaModel(corpus, num_topics=50, id2word=vocab)
# score today's papers against each reader's topics

Entrenábamos autoencoders antes de que fuera moda. Ahora shippeamos agentes.


Tres formas de trabajar con nosotros


¿Tenés un sistema que tiene que seguir funcionando?

Contanos qué está corriendo, qué se está rompiendo o qué querés automatizar. Te responde un ingeniero, no un vendedor.

mail — hello@easytech.com.ar — 80×24

Hablá con un ingeniero

Sin embudo de ventas. La persona que contesta es la que haría el trabajo.

necesito:

O escribinos a hello@easytech.com.ar

o escribinos a hello@easytech.com.ar
Hablá con un ingeniero