26 publicaciones etiquetados con "Consideración"

El 7 de mayo de 2026, miles de estudiantes en Estados Unidos, Reino Unido, Australia, Países Bajos y Suecia entraron a Canvas en plena semana de exámenes y se encontraron con una nota de rescate. No fue un zero-day. No fue un exploit sofisticado. Fue una llamada telefónica.

En este artículo aprenderás:

• La línea de tiempo verificada del incidente Canvas/Instructure (30 abril – 8 mayo 2026)
• El vector técnico real: cómo el grupo ShinyHunters (UNC6040) entra sin explotar ninguna vulnerabilidad
• Mapeo MITRE ATT&CK del ataque y por qué MFA no es suficiente
• Controles concretos del NIST CSF y de Google Threat Intelligence para detectar y prevenir
• Qué revisar hoy en tu propio entorno SaaS si manejas datos sensibles

Elegir multi-tenancy mal el día 1 te cuesta 6 meses de refactor el día 400. Es una de esas decisiones arquitectónicas que parecen inocuas al principio — "solo agregamos un tenantId a todas las tablas" — y que 18 meses después se revelan como la razón por la cual tu SaaS no puede cumplir un requisito de aislamiento de datos de un cliente grande, no puede migrar tenants entre regiones, o no puede ofrecer self-hosted a un cliente que lo exige.

Para un SaaS B2B que arranca en 2026, las dos arquitecturas serias son schema-per-tenant y Row-Level Security (RLS). La tercera opción, "base de datos separada por tenant", se reserva para clientes enterprise con contratos específicos y no es el default. Elegir entre schema-per-tenant y RLS no es técnica pura: es también una decisión de negocio sobre cuántos tenants vas a tener, qué tamaño, y qué compromisos de aislamiento necesitás firmar.

Este post compara ambas con código funcional, benchmarks reales y los criterios de decisión que usamos en MeepLab cuando un cliente nos pregunta "¿cómo hacemos multi-tenancy?". Todo con PostgreSQL puro, Prisma y Express — cero dependencias SaaS de pago ni ORM propietario.

En este artículo aprenderás:

• Los tres modelos de multi-tenancy y cuándo descartás cada uno
• Schema-per-tenant explicado: cómo implementarlo en PostgreSQL, fuerzas y límites operacionales
• Row-Level Security con PostgreSQL: CREATE POLICY, middleware Express y cómo funciona internamente
• Benchmark real de ambos patrones con 100 tenants y 10M filas
• Criterios de decisión: 8 preguntas que respondés antes de elegir
• Cuándo migrar de un modelo al otro y cuánto cuesta

prisma migrate deploy en una tabla de 50 millones de registros es decir "qué podría salir mal" en producción. Esa migración tan inocente que localmente tomó 200 milisegundos, en producción con un índice que se reconstruye, una columna que se llena con default, y requests concurrentes golpeando la misma tabla, puede tomar 40 minutos de lock exclusivo. Cuarenta minutos durante los cuales ningún usuario puede loguearse, ningún pago se procesa, y el canal de Slack de operaciones se llena de capturas de pantalla de errores 500.

El problema no es Prisma. Es cualquier migración naive contra una tabla grande en producción. Postgres y MySQL tienen operaciones que bloquean la tabla completa mientras corren: agregar una columna con default no nullable, cambiar el tipo de una columna, renombrar algo que está referenciado. Si corrés esas operaciones contra una tabla de millones de filas y un load balancer que no para de mandar tráfico, el sistema se congela.

El patrón que resuelve esto no es nuevo. Se llama expand-contract (también conocido como parallel change) y es la técnica estándar que usan equipos como GitHub, Shopify y Stripe para cambiar esquemas sin cortar el servicio. La idea: cada migración se divide en cuatro fases pequeñas que individualmente son seguras, corren en segundos, y se pueden desplegar gradualmente con feature flags.

En este artículo aprenderás:

• Qué operaciones bloquean la tabla en PostgreSQL y cuáles no (la lista corta y exacta)
• El patrón expand-contract en 4 fases: Expand → Migrate → Contract → Cleanup, con ejemplo real en Prisma
• Backfill batched para mover datos de una columna vieja a una nueva sin saturar la base de datos
• Rollback seguro en cada fase si algo falla a mitad del deploy
• Checklist de migración que usamos antes de tocar producción

Datadog te cobra 31 dólares por host. Tu startup de 12 servicios acaba de gastar runway en logs antes de facturar al primer cliente. Y la peor parte no es el precio: es que la mayoría de los equipos que pagan por un SaaS de observabilidad carísimo no entienden qué están midiendo. Pagan por dashboards que nadie abre, por alertas que todos silencian, y por retention de 30 días de datos que nunca consultan.

Auditoría técnica real de un backend Node.js de PyME no necesita un contrato enterprise de Datadog. Necesita responder a 12 preguntas específicas que revelan la madurez operacional del sistema. Las hemos estandarizado en el health-check que corremos antes de aceptar un cliente de backend: si el sistema falla en más de 4 de esas 12, la conversación cambia de "optimizamos" a "reconstruimos la capa de observabilidad antes de tocar la lógica de negocio".

Todo el stack que cubrimos es open source, se autohospeda en un VPS de 20 dólares al mes, y reemplaza el 90% de las funciones de Datadog/New Relic para el tamaño de operación típico de una PyME. No es un ejercicio académico: es el stack que corremos nosotros mismos.

En este artículo aprenderás:

• Las 12 señales del health-check que auditamos en cualquier backend Node.js: logs, traces, métricas, errores, latencia y más
• Stack OSS completo: OpenTelemetry + Prometheus + Grafana + Loki + Tempo, con docker-compose.yml funcional
• Qué instrumentar primero si solo tienes 2 horas antes de la próxima reunión con el CFO
• Alertas mínimas que cualquier backend en producción debería tener antes de dormir tranquilo
• Cuándo sí conviene un SaaS pagado — y cuándo es desperdicio de dinero

Tu webhook que "a veces falla" no falla a veces. Falla siempre que importa. Cuando el evento es una confirmación de pago de Stripe que el usuario ya vio en pantalla, cuando es un acuse del SAT que te notifica que el CFDI pasó a timbrado, cuando es un cambio de status de un envío que el cliente está esperando. En esos momentos tu receptor de webhooks está ocupado, la base de datos está lenta, o un deploy reciente rompió una ruta, y pierdes el evento. El emisor reintenta dos o tres veces con suerte, después te marca como "endpoint no confiable" y abandona.

Recibir webhooks bien no es tener un POST /webhook que responde 200. Es aceptar el evento en menos de 5 segundos sin importar qué, validar la firma, evitar procesar el mismo evento dos veces si llega duplicado, y procesarlo en background con reintentos exponenciales cuando falla. Todo eso se puede hacer con Node.js, Redis y BullMQ en menos de 300 líneas de TypeScript.

En este artículo aprenderás:

• Por qué los webhooks fallan en producción y qué contrato implícito tiene tu endpoint con cada emisor
• Patrón receive-fast-process-async con BullMQ para aceptar el evento en menos de 1 segundo
• Firma HMAC SHA-256 implementada bien, con comparación resistente a timing attacks
• Idempotencia por idempotency-key con Redis para no procesar el mismo evento dos veces
• Retries con backoff exponencial y Dead Letter Queue para los eventos que fallan persistentemente
• Ejemplo real con SAT PAC y Stripe para aterrizar los patrones en casos conocidos

Tu landing "se ve bien". Lighthouse dice que tus usuarios se van antes de que cargue el hero. El problema no es estético: una landing que tarda 5 segundos en pintar el LCP en 4G pierde al 53% de sus visitantes antes siquiera de ver tu propuesta de valor (Google Web.dev, 2024). Y esa métrica no la mide tu sensación de "el sitio carga rápido" en una Mac con fibra óptica. La mide un móvil Android de gama media en un pueblo con 3G inestable. La audiencia real.

Lighthouse es la herramienta open source de Google que te da ese diagnóstico honesto. Es gratis, se ejecuta local o en CI, y te devuelve un reporte con los cinco indicadores que importan: LCP, INP, CLS, TBT y FCP. Pero lo interesante no es correr Lighthouse una vez. Es integrarlo a tu pipeline de deploy para que cada pull request falle si el score baja de un umbral, antes de llegar a producción.

En este artículo aprenderás:

• Qué mide Lighthouse exactamente y por qué separar auditoría desktop de móvil cambia todas tus conclusiones
• Core Web Vitals explicados con thresholds reales para LCP, INP y CLS — los que Google usa como señal SEO
• Integrar Lighthouse CI en GitHub Actions con budget.json para bloquear PRs que degraden el performance
• Cinco optimizaciones que suben el score rápido sin reescribir nada: preload de imágenes críticas, defer de scripts, compresión Brotli, reserved space para CLS y yield to main thread para INP
• Checklist que corremos en auditorías reales antes de aceptar un cliente de frontend

Poner express-rate-limit en tu API no es rate limiting. Es teatro de seguridad. Si tu backend corre en dos o más instancias detrás de un load balancer, cada réplica cuenta requests por separado y tu "límite de 100 req/min" se convierte en 200, 400 o 1,000 según cuántos pods escales. El atacante no nota la diferencia. Tu base de datos sí.

El rate limiting serio vive fuera del proceso: en un almacén compartido que todas las réplicas consultan de forma atómica. Ese almacén, en la práctica, es Redis. Y el algoritmo correcto casi nunca es el contador fijo que viene por defecto en las librerías populares: es el sliding window log, que cuesta más en memoria pero no deja ventanas de abuse entre segundos.

En este artículo aprenderás:

• Por qué express-rate-limit con memoria local falla en arquitecturas con más de una instancia
• Los tres algoritmos clásicos (fixed window, sliding window log, token bucket) explicados con sus trade-offs reales
• Implementación paso a paso de sliding window log con ioredis y TypeScript, con operaciones atómicas
• Cómo medir si funciona usando autocannon para simular ráfagas y ver cuándo se rompe
• Checklist de producción con los errores que hemos visto en auditorías reales a APIs Node.js

En 2024 conocimos a un empresario de Querétaro que tenía una idea brillante: una app para conectar talleres mecánicos con refaccionarias en tiempo real. Había investigado el mercado, sabía que el problema existía y tenía el capital para ejecutar. En seis meses invirtió $620,000 pesos en desarrollo. La app tenía 14 módulos, integración con GPS, sistema de pagos, chat en vivo y un panel de administración completo. El día del lanzamiento, después de meses de trabajo y desvelos, descargaron la app 23 personas. A los tres meses, la usaban 4. Hoy la app ya no existe.

No le faltó visión. No le faltó dinero. Le faltó una sola cosa: validar antes de construir.

Esta historia se repite cada semana en mi bandeja de entrada. Emprendedores y directores con ideas sólidas que saltan directo al desarrollo sin confirmar que alguien está dispuesto a pagar por la solución. Y el resultado es casi siempre el mismo: meses perdidos, presupuesto agotado y una lección que costó cientos de miles de pesos.

En este artículo aprenderás:

• Por qué la mayoría de las ideas de apps fracasan y cómo evitarlo
• El framework de 5 pasos para validar tu idea antes de escribir una línea de código
• Cómo medir la demanda real sin gastar en desarrollo
• Casos reales de validación exitosa y fallida en el Bajío
• Cuánto cuesta realmente un MVP en México en 2026
• Las señales concretas de que tu idea está lista para escalar

El 23% de las PyMEs mexicanas reporta pérdidas anuales superiores a $200,000 MXN por problemas de control de inventario (INEGI, 2025). Merma, faltantes, sobrestock y decisiones de compra basadas en intuición en lugar de datos. La solución existe, pero la primera pregunta siempre es la misma: cuánto cuesta.

La respuesta honesta es: depende. Pero "depende" no te ayuda a planear un presupuesto. Por eso en este artículo vamos a desglosar los números reales, los factores que mueven la aguja y cómo calcular la inversión para tu caso específico.

En este artículo aprenderás:

• Los rangos reales de inversión para un sistema de inventarios a medida en México
• Qué factores afectan el precio y cómo cada uno impacta tu presupuesto
• La comparación honesta entre SaaS genérico y desarrollo a medida
• Cómo calcular el ROI de tu sistema de inventarios
• El modelo de desarrollo por fases para no invertir todo de golpe
• Qué incluye y qué NO incluye en el precio que te cotizan

En México se emiten más de 9,000 millones de facturas electrónicas al año (SAT, 2025). Sin embargo, el 43% de las PyMEs todavía capturan sus facturas de forma manual o semimanual, lo que genera errores en el 12% de los comprobantes emitidos (INEGI, Encuesta Nacional sobre Productividad y Competitividad de las Micro, Pequeñas y Medianas Empresas). Un solo error en un CFDI puede significar una factura rechazada, un pago retrasado o una multa del SAT.

Si tu empresa factura más de 100 comprobantes al mes y tu equipo sigue copiando datos entre sistemas, esta guía es para ti.

En este artículo aprenderás:

• Qué es el CFDI 4.0 y por qué el SAT lo hizo obligatorio para todas las empresas
• Los problemas reales de facturar manualmente y cuánto le cuestan a tu operación
• Cómo funciona la arquitectura de facturación automatizada (tu sistema, el PAC y el SAT)
• Qué PACs usar y cómo integrarlos a tu software propio
• Cómo automatizar complementos de pago, nómina y carta porte
• Cuánto cuesta desarrollar un sistema propio vs. depender de plataformas genéricas