En febrero de 2026, un ingeniero de Reco —startup especializada en seguridad SaaS— pasó un fin de semana planificando con IA. El lunes presionó ejecutar. Siete horas y 400 dólares en tokens de Claude después, tenía 13.000 líneas de Go, 1.778 tests pasando, y el comienzo de una cadena de optimizaciones que le ahorraría a su empresa $500.000 al año.
El caso no es solo un logro técnico. Es una señal concreta de cómo la IA está redefiniendo los márgenes de rentabilidad del SaaS —no mediante grandes anuncios o modelos propios, sino a través de refactorizaciones quirúrgicas que eliminan deuda técnica acumulada durante años.
¿Qué es JSONata y por qué costaba $300K al año?
JSONata es un lenguaje de consulta y transformación para datos JSON, parecido a jq pero con funciones lambda. Para Reco —cuyo motor de políticas evalúa expresiones JSONata contra billones de eventos en su pipeline de datos— era esencial. El problema: la implementación de referencia es JavaScript, mientras que su pipeline corre en Go.
Aprende IA con nosotros
Únete gratis a mi comunidad en Skool, donde compartimos noticias, tutoriales y recursos para seguir aprendiendo juntos.
👥 Únete gratis 🚀La solución de años fue mantener una flota de pods Node.js en Kubernetes que los servicios Go consultaban por RPC. Para cada evento, el flujo era serializar → enviar por red → evaluar en JavaScript → serializar resultado → devolver. Un round-trip de ~150 microsegundos antes de que se evaluara una sola expresión. A escala de miles de millones de eventos, esos microsegundos se acumulan.
El resultado: ~$300.000 anuales en cómputo. Un cluster llegó a escalar a más de 200 réplicas solo para JSONata, alcanzando incluso los límites de asignación de IPs en Kubernetes. Optimizaciones parciales —caché de resultados, un evaluador local en GJSON— ayudaron en los márgenes, pero nunca resolvieron el problema de raíz.
El método Cloudflare, aplicado en un día
La inspiración vino de un post de Cloudflare que describía cómo reescribieron la API de Next.js sobre Vite usando IA: tomar el test suite oficial, apuntar el modelo al spec, iterar hasta que todos los tests pasen. El ingeniero de Reco reconoció que tenían exactamente el mismo problema.
La metodología fue idéntica: portar el suite de tests oficial de jsonata-js a Go, luego implementar el evaluador hasta que cada test pasara. El fin de semana fue de planificación asistida por IA; el lunes fue ejecución.
El resultado: gnata, una implementación pura en Go de JSONata 2.x. Siete horas de trabajo activo, 1.778 test cases de la suite oficial más 2.107 tests de integración en el wrapper de producción. Costo en tokens: $400.
La arquitectura que explica el 1.000x
gnata tiene una arquitectura de dos niveles que es donde vive el rendimiento real. En tiempo de compilación, cada expresión se analiza y clasifica:
- Fast path: expresiones simples —lookups de campos, comparaciones, 21 funciones built-in sobre paths— se evalúan directamente sobre los bytes JSON crudos sin parsear el documento completo. Para
account.status = "active": cero allocations en heap. - Full path: todo lo demás usa un parser y evaluador completo con semántica JSONata 2.x, pero solo parsea los subárboles necesarios.
Encima de esto, un StreamEvaluator diseñado para el workload específico de Reco: evaluar N expresiones compiladas contra cada evento. Todos los field paths de todas las expresiones se fusionan en un solo scan. Los bytes del evento se leen una sola vez sin importar cuántas expresiones se evalúen.
El speedup en lookups simples viene principalmente de eliminar el overhead de RPC. En expresiones complejas el gap se achica, pero siguen siendo 25-90x más rápido que el path RPC anterior. En producción, gnata corre como librería dentro de los servicios Go existentes —la serialización y el overhead de red desaparecen.
Los números reales
El costo de producción de jsonata-js el mes anterior a gnata era ~$25.000. Con gnata: cero. La conversación sobre ROI fue, según el equipo, “bastante corta”.
Pero ahí no terminó. Eliminar la flota RPC liberó restricciones arquitecturales en el motor de reglas de Reco. El motor anterior lanzaba decenas de miles de goroutines para maximizar concurrencia (porque JSONata original solo permite una evaluación a la vez). Con gnata —que no tiene esa limitación— reescribieron los internals del motor con micro-batching just-in-time y caches efímeras.
Resultado adicional: ~$18.000 menos por mes, ~$200.000 anuales. En total, $500.000 al año eliminados del pipeline en menos de dos semanas de trabajo.
El debate que el caso abre
El ingeniero autor del post es explícito sobre algo: hasta hace poco era escéptico del código agéntico en producción. Y en ese escepticismo hay algo valioso que el caso de gnata no niega, sino que matiza.
La semana de deployment no fue desplegar y rezar. Fue cinco días de code review, QA contra expresiones reales de producción, shadow mode (gnata evaluaba todo, pero los resultados de jsonata-js eran los que se usaban), logging de discrepancias, y corrección de edge cases. Solo después de tres días consecutivos sin mismatches, gnata fue promovido a primario.
Esto conecta directamente con algo documentado: la deuda de verificación que genera el código producido con IA no desaparece por el hecho de que el código sea correcto —requiere infraestructura de validación robusta antes de llegar a producción. Reco la tenía. Y eso fue tan determinante como los $400 en tokens.
Un efecto colateral inesperado: gnata fue uno de los primeros PRs grandes donde tuvieron agentes de IA revisando código generado por IA. Los agentes señalaban todo —problemas reales de concurrencia junto a nitpicks cosméticos— y el equipo tuvo que enseñarles a distinguir unos de otros. Ese trabajo alimentó cómo Reco maneja el code review con IA de manera más amplia.
Por qué importa más allá de Reco
La tesis de fondo no es “la IA es barata para escribir código”. Es más precisa: cuando un ingeniero entiende profundamente un sistema —sus cuellos de botella, sus dependencias, sus invariantes de corrección— la IA se convierte en un multiplicador de esa comprensión, no en un sustituto de ella.
El ingeniero de Reco no le pidió a Claude que “arregle el problema de costo de JSONata”. Llegó con un plan estructurado, un test suite como contrato de corrección, y la arquitectura de dos niveles ya conceptualizada. La IA ejecutó. El resultado fue posible porque había expertise técnico profundo guiando el proceso, no a pesar de ello.
Andrej Karpathy escribió recientemente que en los niveles superiores, el expertise técnico es “aún más multiplicador que antes, por el leverage adicional”. El caso de gnata es ese patrón en concreto: el mismo problema de $300K existía años atrás —la IA solo redujo el costo de resolverlo de meses de ingeniería a $400 en tokens.
Como observan los patrones emergentes de ingeniería agéntica, 2026 puede ser el año de las refactorizaciones quirúrgicas: resolver deuda técnica que era económicamente inviable abordar antes, usando IA para comprimir semanas de trabajo en horas. Reco ya tiene el primer caso de estudio con números reales.
