Saltar al contenido

España · CET

Hola, soy Amando

Ingeniero de Backend · Datos e IA

Construyo

Construyo la mitad poco glamurosa del software: pipelines de datos, APIs y sistemas con LLMs que siguen funcionando un domingo por la noche sin que nadie se entere.

Ver proyectos Hablemos CV →
del gasto anual en LLMs de un pipeline, de seis dígitos a cinco
0% del gasto anual en LLMs de un pipeline, de seis dígitos a cinco
menos tiempo del equipo jurídico en procesar informes
0% menos tiempo del equipo jurídico en procesar informes
noticias ingeridas y clasificadas cada día
0K+ noticias ingeridas y clasificadas cada día
Python FastAPI Airflow 3 Kubernetes PostgreSQL MongoDB LLM pipelines AI-assisted development Elasticsearch DDD Hexagonal architecture TDD Grafana Sentry AWS Vue 3

Proyectos destacados

Pipeline de inteligencia de noticias

20.000 noticias al día, embebidas, agrupadas en historias y enriquecidas con LLMs — por el 15% de lo que costaba antes.

Resultado

Veinte mil noticias al día pasan sin supervisión y el gasto anual en LLMs del pipeline bajó un 85%: de una cifra de seis dígitos a una de cinco. El clustering es lo que hizo la mayor parte: pagar una vez por historia en vez de una vez por artículo, y después dejar que la evaluación moviera etapas a modelos más pequeños allí donde los números decían que la calidad aguantaba.

Python 3.12Airflow 3KubernetespgvectorPostgreSQLMongoDB +2

Leer el caso →

Pipeline regulatorio auto-reparable

193 fuentes jurídicas en 130 jurisdicciones, scrapeadas por fetchers que una IA escribe y repara detrás de un harness determinista.

Resultado

193 de las fuentes catalogadas están cubiertas, hay 153 módulos de fetcher en el repositorio, y procesar informes le lleva al equipo jurídico un 70% menos de tiempo que antes. Un job diario marca un fetcher como roto tras tres fallos consecutivos, o degradado tras tres ejecuciones sin resultados contra su propio baseline positivo, y entrega los dos peores al reparador — que abre un pull request revisado en vez de despertar a nadie.

Python 3.12Airflow 3KubernetesLLMs de AnthropicPostgreSQLMongoDB +1

Leer el caso →

Gestión Guarda Rural

Una app móvil que sustituyó hojas de cálculo y WhatsApp para gestionar fincas rurales.

Resultado

El trabajo se registra una sola vez, donde ocurre, y la facturación mensual pasó de una tarde de trabajo manual a unos pocos clics — incluyendo notificaciones a varios destinatarios por cliente y un diseño de factura en PDF que sobrevive al contacto con una impresora real.

PythonPostgreSQLNeonRailwayVue

Leer el caso →

Fantasy Voley

Manager fantasy de voleibol español, puntuado con estadísticas reales de la liga.

Resultado

Una liga funcionando de punta a punta — ingesta, motor de puntuación y front — sincronizada automáticamente durante la temporada, sobre un modelo de datos que sobrevivió a un rediseño de la web de la federación sin reescribirse. El lanzamiento público es el siguiente paso.

PythonPostgreSQLNeonRailwayVue

Leer el caso →

Experiencia

Una empresa hasta ahora, y qué cambió de verdad mientras estuve allí.

  1. oct 2022 — Actualidad

    Ingeniero de Software Senior — Backend, Datos e IA

    Datamaran

    Entré como Ingeniero de Software (oct 2022) · ascendido a Senior en enero de 2026

    SaaS de inteligencia regulatoria y ESG. Entré como ingeniero junior en octubre de 2022 y ascendí a senior en enero de 2026, con la plataforma de datos que convierte documentación regulatoria y noticias en señal estructurada para clientes enterprise — y con las prácticas de ingeniería sobre las que trabaja todo el equipo.

    • Construí el pipeline de inteligencia de noticias que ingiere, deduplica, clusteriza y clasifica más de 20.000 noticias al día con LLMs sobre Airflow 3 en Kubernetes — y recorté un 85% su gasto anual en LLMs (de seis dígitos a cinco) ordenando las etapas por coste y bajándolas a modelos más pequeños cuando la evaluación demostró que no se perdía calidad.
    • Construí la capa de descubrimiento del pipeline regulatorio: un generador que escribe fetchers detrás de un harness determinista de siete etapas y una revisión humana, más el job de salud que detecta las roturas silenciosas y le devuelve las peores fuentes. 193 de unas 290 fuentes catalogadas en 130 jurisdicciones están cubiertas por 153 módulos, y procesar informes le lleva al equipo jurídico un 70% menos de tiempo.
    • Desarrollé el sistema de gestión de usuarios y autenticación de la aplicación, y la capa de compartición de recursos que permite el trabajo colaborativo en vivo entre cuentas.
    • Introduje y extendí las prácticas con las que trabaja hoy una organización de 20 desarrolladores: DDD, arquitectura hexagonal, TDD, estándares comunes de linting y formato, y gestión correcta de pools de conexiones a base de datos.
    • Lideré la adopción del desarrollo asistido por IA: agentes y harnesses de evaluación integrados en pipelines, repositorios y procesos de entrega, no solo autocompletado en el editor.
    • Llevo la observabilidad de lo que construyo: dashboards en Grafana y alertas en Sentry, para que los fallos aparezcan como señal y no como un email de un cliente.
    • Trabajo directamente con stakeholders para convertir necesidades de cliente en funcionalidades, desde el scoping hasta producción.
    Python FastAPI Airflow 3 Kubernetes PostgreSQL MongoDB Elasticsearch LLMs AWS Grafana Sentry Vue 3

Sobre mí

Soy ingeniero de backend que acabó en datos e IA porque es donde están los fallos interesantes. Entré en Datamaran como junior en 2022 y crecí hasta senior, lo que en la práctica significó llevar sistemas de punta a punta: los pipelines que leen 20.000 noticias al día y cubren 193 fuentes jurídicas en 130 jurisdicciones — uno un 85% más barato de operar que cuando lo heredé, el otro ahorrando al equipo jurídico un 70% del tiempo de procesar informes — además de las capas de autenticación y compartición bajo el producto y la observabilidad que nos avisa cuando algo se rompe.

Construyo y automatizo con IA en el bucle, no como demo sino como forma de trabajar: agentes LLM metidos en pipelines reales (un scraper que se repara solo en vez de despertar a alguien), harnesses de evaluación para que cambiar un modelo o un prompt sea un experimento con un número detrás, y desarrollo asistido por IA extendido a repositorios y procesos de entrega.

La otra mitad del trabajo se ve menos y pesa igual: empujé DDD, arquitectura hexagonal y TDD por todo el código, estandaricé linters y formato, y arreglé cómo gestionábamos los pools de conexiones a base de datos. Límites claros entre capas, reglas de negocio en un único sitio testeable, y fallos ruidosos y baratos en lugar de silenciosos y caros.

Hablemos

¿Dudas sobre cualquier cosa de aquí, o un problema que creas que me va a interesar? El email es la vía más rápida.

Escríbeme LinkedIn