Delphi llega a 100 deploys/día con Python backend en Vercel

¿Qué cambió Delphi en su backend y por qué importa?

Delphi, una plataforma que convierte los escritos, audios y clases de una persona en una "mente digital" con la que otros pueden conversar, reconstruyó hace seis meses su backend en Python sobre Vercel y pasó a producir más de 100 releases diarias entre 10 ingenieros sin rol de infraestructura dedicado. La historia, contada por el ingeniero fundador Spencer Schoeben en el blog de Vercel, es un caso de manual sobre cómo la elección de plataforma define la velocidad de un equipo pequeño.

Antes del cambio, Delphi corría sobre AWS con ECS, Docker Desktop y bases de datos locales. Cuando el equipo era chico, funcionaba; cuando creció, la deuda se cobró: a un ingeniero nuevo le llevaba un día completo de setup de entorno llegar a su primer deploy. "No queríamos ser dueños de nuestra propia infraestructura — ese no es nuestro objetivo como compañía", resume Schoeben.

¿Qué piezas del stack hicieron posible los 100 deploys diarios?

La mudanza no habría sido posible dos años atrás. Cuando Delphi se fundó, Vercel Workflows y Vercel Queues no existían; sin esas dos piezas, Schoeben dice que el salto "habría sido mucho más difícil, si no imposible".

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

El producto depende de agentes de larga duración que generan contenido por adelantado y de pipelines que convierten libros y charlas en un grafo de conocimiento. Workflows absorbe el trabajo de larga duración y Queues los jobs en segundo plano. Ninguno requiere configuración adicional: el desarrollador escribe el handler como una función y Vercel aprovisiona lo necesario en el deploy.

A eso se suma AI Gateway, que enruta el chat de cada mente digital al modelo que mejor le funcione — porque, como dice Schoeben, "cada mente digital es distinta y algunas salen mejor en un modelo que en otro". Cuando sale un modelo nuevo, Delphi puede redirigir el tráfico el mismo día, y el gateway gestiona failover automáticamente. Antes, conseguir capacidad de respaldo con otros proveedores "era difícil".

El stack se completa con Vercel Agent para detectar anomalías en producción al ritmo de más de 100 despliegues diarios — algo que, según Schoeben, antes ni siquiera hubieran detectado — y con un agente interno sobre Vercel Sandbox que el equipo de customer success consulta por Slack para analizar bugs y proponer fixes.

¿Cómo se liberan 100 deploys al día sin romper producción?

Lo más disruptivo no es la frecuencia, sino el modelo de release. Delphi pasó de desplegar a staging y luego promover a producción a saltarse el paso intermedio: cada cambio sale directo a producción detrás de un feature flag, y los experimentos se corren como A/B tests en lugar de agruparse en versiones.

El resultado fue destrabar un backlog de micro-experimentos que antes no entraban en la lista de prioridades — sobre todo pruebas para "convertir a un visitante en dueño", alguien que llega a hablar con una mente y se va habiendo creado la suya. Además, ya no solo los ingenieros despliegan: el CPO y los equipos de growth arman y despliegan dashboards, prototipos y experimentos por su cuenta. "En la configuración anterior, eso no habría pasado", dice Schoeben.

Cada push además genera su propia URL de preview, de modo que cualquier persona del equipo puede revisar el resultado desde el móvil o un hilo de Slack sin clonar la rama. En la práctica, esa es la materia prima con la que los agentes verifican su propio trabajo antes de marcar una tarea como completada.

¿Por qué los agentes ya son los principales usuarios de la infraestructura?

Hay un detalle de la arquitectura que va a definir los próximos años para cualquier startup con IA: en Delphi, los preview deployments ya no son solo para humanos. Los ingenieros pasan el problema a agentes en la nube y casi todo el desarrollo ocurre fuera de local; la URL de preview es la primera ventana donde el agente — y el equipo — verifican qué se construyó. "Si a un humano le llevaba ocho horas averiguarlo, un agente ya habría abandonado", resume Schoeben.

El propio agente interno de Delphi corre sobre Vercel Sandbox, con un sistema de archivos aislado donde puede clonar el codebase, ejecutarlo y traer los datos que la pregunta necesita. Está construido con eve, el framework open source de Vercel para agentes que la propia compañía describe como "Next.js para agentes".

La escala del fenómeno la dio Vercel en su conferencia Ship, el 17 de junio de 2026: hace seis meses, menos del 3% de los despliegues sobre su infraestructura los disparaban agentes de código; hoy ya son más de la mitad, según el comunicado oficial recogido por Yahoo Finance. En el mismo período, el volumen de tokens que pasa por AI Gateway creció de unos dos billones a veinte billones al mes.

Vercel también presentó en Ship Vercel Services (disponible en beta desde el 1 de julio), que permite desplegar frontends y backends dentro de un mismo proyecto con una única URL de preview — exactamente el patrón que Delphi acaba de validar en producción. Entre los clientes que ya corren Next.js en el frontend con Python en el backend enteramente sobre Vercel, la compañía mencionó a OpenAI y Octopus Energy.

¿Qué significa esto para tu startup?

Lo de Delphi no es un caso aislado de una empresa obsesionada con la velocidad de ship: es la dirección hacia la que apunta toda la infraestructura para aplicaciones con IA. Tres cosas concretas para llevarte:

Audita cuánto te cuesta realmente desplegar. Si un ingeniero nuevo tarda un día completo en hacer su primer deploy, o si pasas por staging para luego promover a producción, tienes un techo de velocidad que ningún modelo va a romper por ti. Conviene preguntarse cuánta de esa fricción es infraestructura propia que podrías tercerizar.
Si tu producto depende de agentes o trabajos largos, evalúa plataformas gestionadas antes que infraestructura en crudo. Workflows y Queues de Vercel, o equivalentes en otros proveedores, te quitan del medio el diseño de la cola de mensajes, los reintentos, el escalado y el monitoring. Para un equipo de 10 ingenieros sin SRE dedicado, esa diferencia es la que separa 100 despliegues al día de 5.
Diseña tu stack pensando que el próximo usuario de la plataforma puede ser un agente. Preview URLs accesibles sin clonar la rama, logs legibles vía API, variables de entorno expuestas por SDK o CLI: si los agentes ya son más de la mitad de los despliegues en una plataforma grande, conviene que tu propio producto pueda ser operado por uno.