Analisis de Audiencia: Agentic Developer

Perfil del Estudiante

Quienes son?

Equipo de 10-20 desarrolladores de Aurgi, empresa del sector automotive (retail y talleres). Son profesionales de nivel intermedio-senior con stack principal en Ruby on Rails (backend), Python (servicios y scripts) y React (frontend). Trabajan con GitLab como plataforma de codigo, Jira para gestion de tickets, y IDEs variados (RubyMine, PyCharm, Cursor, VS Code).

El CTO Alex lidera el equipo con un perfil tecnico potente, aunque con menor experiencia en metodologia. El equipo tiene una fuerte cultura de innovacion tecnologica y background en metodologias agiles (han trabajado con consultor Agile). La empresa ya completo la formacion “Liderando con IA” para managers, y parte del equipo ya desarrolla proyectos de IA orientados a negocio.

Que saben YA? (Punto de partida)

Desarrollo profesional en Ruby on Rails, Python y React
Uso de Claude Code a nivel individual (ya lo utilizan en su dia a dia)
Conceptos fundamentales de LLMs y agentes (cubiertos en sesion introductoria)
Flujo de trabajo con GitLab y Jira
Metodologias agiles de desarrollo
Distribucion de trabajo orientada a features (85% features, 15% bugs)

Que NO saben? (Brecha)

Metodologia compartida y estandarizada para desarrollo con IA
Diseno de sistemas agénticos autonomos (mas alla del uso uno a uno)
Gobernanza y mecanismos de control para IA en desarrollo
Puntos de apalancamiento para maximizar la eficacia de un agente
Optimizacion de costes para uso escalable de agentes
Integracion de una “capa agentica” en el flujo de trabajo de equipo

Que les motiva?

Multiplicar la capacidad de entrega del equipo (no solo acelerar individualmente)
Tener una metodologia comun y reproducible
Control y gobernanza sobre como la IA participa en el desarrollo
Evolucionar su proceso de desarrollo para aprovechar el menor coste de produccion
Posibilidad de que el area de negocio pueda prototipar directamente (efecto de segundo orden)

Que les frustra?

Cada desarrollador usa IA a su manera, sin consistencia
Falta de gobernanza: riesgo de que la IA “se desmande”
Productividad que mejora linealmente pero no se multiplica
No tener un marco que unifique al equipo
Costes que escalan proporcionalmente sin optimizacion

Como aprenden mejor?

Practica sobre teoria: construyendo cosas reales, no resolviendo ejercicios artificiales
Aplicacion directa en su propio stack y herramientas (Ruby on Rails, GitLab, Jira)
Formato presencial en sesiones cortas (2.5h) que les permitan seguir entregando
Generando assets reutilizables desde el primer dia

Que restricciones tienen?

Deben seguir entregando durante la formacion (no pueden parar)
9 sesiones de 2.5h presenciales en sus oficinas (21h total)
Primera sesion introductoria de 1h (asumimos completada)
10-20 participantes con niveles posiblemente heterogeneos de aprovechamiento de IA
Herramientas especificas: GitLab (no GitHub), Jira, RubyMine/PyCharm/Cursor/VS Code

Implicaciones para el Diseno

Nivel de entrada no es cero con IA: Se puede ir directo a metodologia y sistemas, sin dedicar tiempo a fundamentos de IA o a la herramienta basica.
Ejercicios en su stack real: Los ejemplos y practicas deben usar Ruby on Rails, Python, React y sus herramientas (GitLab, Jira), no stacks genericos.
Ritmo agil en sesiones de 2.5h: Poco monologo, mucha practica. Cada sesion debe tener un entregable tangible.
Heterogeneidad de niveles: Las actividades deben permitir distintas velocidades de avance sin que nadie se quede atras ni se aburra.
Foco en construccion: La distribucion 85% features sugiere que los ejemplos deben orientarse a construccion de funcionalidades, no a mantenimiento o debugging.
Outputs directamente adoptables: Los artefactos generados en el curso (comandos, contextos, prompts compartidos) deben ser utilizables por todo el equipo desde el dia siguiente. La estandarizacion emerge del proceso, no se impone.