Cómo Marvik integró Claude Code en el flujo de trabajo de desarrollo de Zellblick para lograr una revisión de código consistente y consciente del dominio en múltiples repositorios.

Cuando la IA acelera el desarrollo, la revisión debe seguir el ritmo

Las herramientas de programación con IA están cambiando la rapidez con la que los equipos de ingeniería pueden producir software. Pero aumentar la velocidad de desarrollo también presiona otra parte del proceso: revisar lo que se publica.

Zellblick, una empresa de patología digital, ya utilizaba IA en su proceso de desarrollo de software. Crean software para patología digital y su plataforma utiliza aprendizaje automático para analizar imágenes médicas, incluidas las WSI, impulsando diagnósticos asistidos por IA.

Su equipo de ingeniería podía generar código e iterar más rápido, pero el cuello de botella aparecía en el otro extremo del flujo de trabajo. Cada cambio que iba a producción era revisado manualmente por el líder técnico. 

A medida que el desarrollo se aceleraba, esto creaba un desequilibrio entre la rapidez con la que se podía producir código y la rapidez con la que se podía revisar.

La oportunidad consistía en incorporar la IA también a esa parte del ciclo de vida del desarrollo de software.

Marvik trabajó con Zellblick para diseñar y construir un sistema de revisión de PR basado en IA utilizando Claude Code, diseñado en torno a los repositorios, las pilas tecnológicas y los requisitos de ingeniería específicos del dominio de la empresa.

El resultado fue un sistema de producción implementado en aproximadamente tres semanas, que proporciona revisiones automatizadas y bajo demanda en su flujo de trabajo de GitHub existente.

El desafío: escalar la revisión en un entorno de software complejo

La revisión de código en Zellblick implica mucho más que identificar problemas de sintaxis o aplicar convenciones de programación. Su software abarca múltiples repositorios, cada uno con su propia arquitectura, patrones de desarrollo y requisitos de revisión.

Al mismo tiempo, Zellblick opera en el ámbito de la patología digital, donde las decisiones de software deben tener en cuenta información sensible y requisitos de datos específicos del dominio.

Esto significaba que el sistema de revisión debía comprender criterios como el manejo de PHI, el aislamiento de inquilinos, la arquitectura, la seguridad, la infraestructura y la integridad de la división de datos a nivel de paciente.

Estos se trataron como criterios de revisión y controles de riesgo específicos del proyecto, en lugar de como una validación normativa.

Por lo tanto, el desafío era más amplio que automatizar una revisión de código tradicional. Zellblick necesitaba un sistema capaz de aplicar ingeniería coherente y contexto de dominio en diferentes repositorios, manteniendo a los ingenieros sénior al mando de la decisión final.

Por qué Claude Code era la opción adecuada

Claude Code proporcionó un punto de integración práctico a través de la GitHub Action oficial, lo que permitió que el sistema de revisión operara directamente dentro del flujo de trabajo de solicitudes de extracción (pull requests) existente en Zellblick.

En lugar de crear una interfaz de revisión independiente o pedir a los desarrolladores que cambiaran de herramientas, las revisiones podían realizarse donde el equipo de ingeniería ya estaba trabajando.

El desafío más importante era proporcionar a Claude suficiente contexto para comprender cómo esperaba Zellblick que se desarrollara su software.

Marvik utilizó instrucciones a nivel de repositorio y directrices de revisión para capturar ese contexto. Estas incluían convenciones arquitectónicas, consideraciones de seguridad, requisitos de infraestructura y criterios específicos del dominio que, de otro modo, dependerían en gran medida de la experiencia de cada revisor.

Se revisaron las solicitudes de extracción históricas junto con el líder técnico de Zellblick para comprender cómo era una retroalimentación útil en la práctica. Esos hallazgos se convirtieron en parte de los criterios de revisión utilizados por el sistema.

El resultado fue un asistente diseñado en torno al entorno de ingeniería de Zellblick, en lugar de un revisor de código genérico.

Cómo funciona el sistema: tres rutas de revisión

No todas las solicitudes de extracción requieren el mismo nivel de análisis. Diseñamos tres rutas de revisión para ajustar la capacidad del modelo y el coste a cada cambio.

1. Revisión automática
   Las nuevas solicitudes de extracción y las actualizaciones activan una revisión automática. Los cambios más pequeños se dirigen a Claude Haiku, mientras que los cambios más grandes utilizan Claude Sonnet. Un interruptor a nivel de repositorio permite al equipo controlar dónde se ejecutan las revisiones automáticas.
2. Revisión estándar bajo demanda
   Los desarrolladores pueden mencionar a @sonnet para activar una Claude Sonnet revisión con un nivel de razonamiento estándar.
3. Revisión profunda bajo demanda
   Para cambios más complejos, @claude activa una Claude Sonnet revisión con mayor capacidad de razonamiento para un análisis más profundo.

Las tres opciones dejan comentarios directamente en GitHub. Las revisiones son meramente consultivas; la decisión final recae en los desarrolladores y los líderes técnicos.

Convertir el conocimiento de ingeniería en criterios de revisión

Trabajamos con el líder técnico de Zellblick y analizamos las solicitudes de extracción históricas para capturar los criterios detrás de su proceso de revisión actual.

Ese contexto se tradujo en directrices estructuradas que cubren:

• ‍Arquitectura y mantenibilidad: estructura, patrones y mantenibilidad‍
• Seguridad: gestión de datos sensibles, autenticación y riesgos potenciales‍
• Infraestructura: configuración, recursos y consideraciones específicas del entorno‍
• Riesgos específicos del dominio: aislamiento de inquilinos, gestión de PHI e integridad de la segmentación de datos a nivel de paciente

Esto le proporciona a Claude el contexto técnico y de dominio necesario para evaluar los cambios en función de cómo opera realmente el software de Zellblick, en lugar de aplicar reglas genéricas de calidad de código.

De la configuración a la producción en tres semanas

La primera etapa se centró en comprender los repositorios de Zellblick, el proceso actual de solicitudes de extracción (pull requests) y los criterios de revisión. El equipo analizó las PR históricas con el líder técnico y estableció el contexto inicial del proyecto, las directrices de revisión y el flujo de trabajo en GitHub.

La segunda etapa se introdujeron el revisor automatizado, el enrutamiento de modelos, los comentarios estructurados en GitHub y las dos rutas de revisión bajo demanda.

La etapa final se centró en la calibración. Las revisiones se probaron con solicitudes de extracción históricas y actuales, se compararon con la evaluación del líder técnico y se refinaron para reducir el ruido y los falsos positivos.

Al finalizar el proyecto, el sistema estaba funcionando en tres repositorios que cubren diferentes partes del entorno de software de Zellblick.

Estado actual del sistema

El revisor de IA está implementado en tres repositorios de Zellbick y se ha integrado en el proceso de desarrollo de software de la empresa.

Los desarrolladores pueden recibir una primera revisión automática o solicitar activamente un análisis adicional cuando un cambio lo requiera.

Para el líder técnico, esto introduce una primera capa de análisis estructurado antes de la decisión humana final. Para el resto del equipo de ingeniería, crea una forma coherente de aplicar criterios de revisión compartidos en diferentes repositorios y pilas tecnológicas.

Lo más importante es que la capacidad se aplica a todo el desarrollo de software de Zellblick, en lugar de limitarse a una función aislada del producto. Este fue uno de los resultados clave destacados por el equipo tras la implementación.

Lo que este proyecto demuestra sobre la IA en el desarrollo de software

Zellblick es un ejemplo útil de cómo la IA puede integrarse en el ciclo de vida del desarrollo de software más allá de la generación de código.

A medida que los equipos de ingeniería producen código más rápido con IA, los procesos asociados también deben evolucionar. La revisión, las pruebas, la evaluación, los controles de seguridad y la gobernanza de la ingeniería pasan a formar parte de la misma ecuación.

En el caso de Zellblick, la oportunidad estaba en la revisión de código.

La implementación también demuestra la rapidez con la que un sistema de IA especializado puede integrarse en un flujo de trabajo operativo cuando la superficie de integración ya es madura y el problema está claramente definido.

“Una integración de IA relativamente sencilla puede generar un cambio operativo en toda una organización en cuestión de semanas. La clave es adaptar la tecnología a la forma en que trabaja el equipo realmente”.‍

En aproximadamente tres semanas, Zellblick pasó de una revisión manual centralizada en su líder técnico a una capa de revisión asistida por IA que opera en tres repositorios, con enrutamiento de modelos, criterios específicos de dominio y supervisión humana integrados en el flujo de trabajo.

Esa combinación es fundamental: modelos sólidos, el contexto técnico y empresarial adecuado, y una arquitectura diseñada en torno a la forma en que opera la organización.