Introducción
Le preguntas a Claude Code: "¿Cuánto tiempo toma implementar este chatbot?" Responde con confianza: "3-4 semanas para un ingeniero." En realidad, lo entregas en un día. Esta discrepancia no solo es molesta—rompe la comunicación con tu product manager y colegas que dependen de tu trabajo.
¿La causa raíz? Los LLMs están entrenados con datos escritos por humanos antes de 2022, cuando los humanos solos escribían código. Así que estiman como un humano, no como un dev acelerado por LLM. Por suerte, se puede arreglar. Este artículo muestra dos métodos concretos para obtener estimaciones precisas y accionables de tu agente de código.
Basado en: Why Claude Code Time Estimates Are Poor
![]()
Método 1: Basa las Estimaciones en Tus Datos Históricos
La técnica más efectiva es hacer que tu agente aprenda de tareas pasadas. Así:
- Rastrea cada tarea en una herramienta como Linear, Notion o un simple archivo markdown. Registra horarios de inicio y finalización.
- Crea una skill que Claude Code pueda consultar siempre que necesite estimar. La skill contiene un resumen de tareas pasadas y sus duraciones reales.
Ejemplo de contenido de la skill (guardado como estimation-skill.md):
# Skill de Estimación de Tiempo
## Tareas Pasadas
- Feature A (integración de chatbot): 6 horas
- Bug fix B (timeout de autenticación): 1.5 horas
- Feature C (UI del dashboard): 4 horas
## Instrucciones
Cuando se solicite una estimación, compara la nueva tarea con la tarea pasada más similar. Ajusta según complejidad. Siempre devuelve en horas, no en semanas.
Luego, cuando pidas una estimación, Claude Code lee esta skill y da una respuesta basada en datos. Se acabó el "3-4 semanas" sin sentido.
Por qué funciona: El agente fundamenta la estimación en datos reales de tu flujo de trabajo, no en promedios humanos genéricos.

Método 2: Descompón Tareas y Pide Estimaciones Específicas para LLM
Si no tienes datos históricos, usa este enfoque. Divide la tarea en subtareas pequeñas y pide explícitamente al LLM que estime cada una basándose en cuánto tiempo tomaría un LLM, no un humano.
Ejemplo de prompt:
Implementa la feature X. Divídela en:
- Investigación
- Implementación parte 1
- Implementación parte 2
- Pruebas
Para cada subtarea, estima el tiempo asumiendo que un LLM hace el trabajo (con supervisión humana). Luego suma.
El LLM sabe que puede investigar más rápido que un humano en Google, así que dará números realistas. Las tareas pequeñas son más fáciles de estimar con precisión, y la suma es más confiable que una sola suposición grande.
Ojo: Incluso con estos métodos, las estimaciones no serán perfectas. Siempre hay imprevistos (dependencias, rebases, bugs inesperados). Pero estarás mucho más cerca que la respuesta por defecto de "semanas humanas".
Relacionado: Vercel Ships Agent Runs: Debug Your AI Agents via MCP and CLI — aprende a observar y depurar tus agentes de código en producción.

Conclusión
Los LLMs dan malas estimaciones porque están entrenados con datos humanos. Para arreglarlo:
- Rastrea tus tareas y crea una skill que permita al agente consultar duraciones pasadas.
- Descompón tareas y pide estimaciones específicas para LLM por subtarea.
Estas técnicas convierten suposiciones vagas en números accionables, mejorando la comunicación con tu equipo. A medida que los LLMs evolucionen, las estimaciones mejorarán naturalmente, pero no tienes que esperar—aplica estos métodos hoy.
Lectura adicional: Bending the Curve: How Meta's Adaptive Ranking Model Serves LLM-Scale AI at Sub-Second Latency — un análisis profundo de optimización de latencia para sistemas de IA a gran escala.