Memoria Compartida, Memoria Individual: Cómo Claude Code Transforma los Workflows de Desarrollo en Equipo
Los agentes de código basados en modelos de lenguaje de gran escala (LLMs), como Claude Code, representan una tercera generación de herramientas de IA para el desarrollo de software que, a diferencia del autocompletado y los chatbots, operan dentro del proyecto con acceso al sistema de archivos, el repositorio Git y la terminal. Sin embargo, estos agentes carecen de memoria persistente entre sesiones por defecto, lo que genera pérdida de contexto, repetición de errores e inconsistencia en equipos de desarrollo. Este estudio analiza los workflows de desarrollo con Claude Code en cuatro proyectos reales de distinta complejidad y tamaño de equipo, examinando los archivos de configuración, la memoria local, el historial de Git y los patrones de uso emergentes. Los hallazgos indican que los workflows efectivos se estructuran alrededor de dos capas de memoria complementarias: una memoria compartida del proyecto (CLAUDE.md, agentes, rules, specs), versionada en Git y visible para todo el equipo, y una memoria individual del desarrollador, local y no versionada, que acumula aprendizajes operativos entre sesiones. La comparación entre proyectos con memoria individual rica (18 archivos temáticos) versus básica (1 archivo) sugiere que la extensión de la memoria compartida no compensa la ausencia de memoria individual — ambas capas son complementarias y no sustitutas. A partir del análisis, se propone un workflow estandarizado con estructura de directorios consistente y un protocolo periódico de "cosecha de memoria" para promover aprendizajes individuales a la memoria compartida. Los resultados contribuyen a la comprensión de cómo los agentes de código transforman las prácticas de desarrollo en equipo y cómo la gestión explícita de la memoria del agente constituye una inversión de alto retorno para la productividad.