.jpg)
Mi primera contribución a un proyecto open source fue una experiencia que cambió mi forma de entender el desarrollo de software. Llegué con la idea de que lo más complejo sería escribir el código: implementar un sampler de CPU, calcular porcentajes, integrarlo en un motor de métricas. Sin embargo, pronto descubrí que el verdadero desafío no estaba en las líneas de Kotlin, sino en definir correctamente qué significaba aquello que estábamos midiendo. ¿Qué es realmente la utilización de CPU? ¿Debemos medir el uso del proceso, del dispositivo, por núcleo o global? Cada definición lleva a un número distinto, y un número mal interpretado puede generar decisiones erróneas en proyectos críticos.
Esa lección se aplica directamente al mundo profesional. En empresas como Q2BSTUDIO, donde desarrollamos aplicaciones a medida y soluciones de software a medida, sabemos que una métrica no es solo un valor: es un compromiso con la calidad. Cuando integramos inteligencia artificial o agentes IA en sistemas productivos, la correcta medición del rendimiento determina si una solución es viable o no. Del mismo modo, en proyectos de ciberseguridad o cuando desplegamos infraestructura en servicios cloud AWS y Azure, cada dato de uso de recursos cuenta para optimizar costes y garantizar la estabilidad.
El momento más revelador llegó cuando los números mostraban valores superiores al 100?%. Mi instinto me decía que algo estaba roto, pero la realidad es que en dispositivos multinúcleo la CPU puede escalar más allá del 100?% al sumar el tiempo de todos los núcleos. Ese error de interpretación es común incluso entre desarrolladores experimentados. Por eso, en Q2BSTUDIO damos tanta importancia a la fase de análisis y validación de métricas en cada proyecto, ya sea un panel de Power BI para servicios inteligencia de negocio o un sistema de IA para empresas que requiere un monitoreo fino del consumo computacional.
Otro aprendizaje clave vino de la revisión del código. Un revisor experimentado no solo verificó la lógica, sino que preguntó: '¿Cómo interpretará un usuario este número si no tiene contexto?'. Esa pregunta transformó la implementación: pasamos de reportar un solo porcentaje a incluir el número de núcleos disponibles y el promedio por núcleo. En el desarrollo de software a medida, esa misma filosofía aplica: no basta con entregar una funcionalidad; hay que asegurarse de que quien la use entienda lo que significa. Por eso, al ofrecer aplicaciones a medida, nuestros equipos documentan no solo el qué, sino el porqué de cada decisión técnica.
Finalmente, validar las métricas contra herramientas externas (como monitores de sistema) me enseñó que compilar no es suficiente. La verificación empírica es indispensable. En Q2BSTUDIO aplicamos ese mismo rigor cuando realizamos auditorías de ciberseguridad o cuando optimizamos procesos mediante automatización y agentes IA. Cada número debe poder contrastarse con la realidad, porque de él dependen decisiones de negocio.
En conclusión, lo más difícil de mi primera contribución open source no fue escribir el código, sino entender que una métrica mal definida es peor que ninguna. Esa lección me acompañará siempre y es uno de los pilares que hacen de Q2BSTUDIO un socio tecnológico de confianza para empresas que buscan IA para empresas, servicios cloud AWS y Azure, o cualquier solución donde la calidad de los datos y su interpretación marquen la diferencia.
