Disponible para roles senior

Diego Barrio H. Senior Backend Engineer Java, Spring e IA aplicada

15+ años construyendo plataformas backend escalables, mantenibles y observables para banca, fintech y movilidad. Ahora llevo ese mismo estándar de ingeniería a pipelines RAG, integración de LLMs y flujos agénticos.

Retrato de Diego Barrio H.

15+

años entregando software en producción

4

sectores críticos: banca, fintech, movilidad, enterprise

3

productos de IA construidos de punta a punta, del pipeline RAG al despliegue

Trayectoria en Europcar Mobility GroupAccentureBanco SabadellSABISCaja Mediterráneo
01

Experiencia en sistemas que no pueden fallar.

Experiencia
2024 — Hoy ● Actual
Senior Backend Engineer
Mindden / Europcar Mobility Group
Desarrollo de APIs de negocio crítico para pagos y facturación, reforzando robustez operativa y velocidad de entrega.
JavaSpring BootKafkaAWSKubernetes
2022 — 2024
Senior Analyst
Accenture
Microservicios y optimización de datos para banca, con foco en rendimiento, uptime y mantenibilidad.
JavaSpringMicroservicesOracle
2014 — 2022
Senior Specialist
SABIS
Diseño de plataformas enterprise e integraciones internas para estandarizar flujos entre equipos.
Spring MVCJPASharePoint.NET
2007 — 2014
Analyst / Developer
Banco Sabadell · Caja Mediterráneo
Evolución de plataformas transaccionales en banca online y servicios ATM de alta criticidad.
JavaBanca onlineATM
02

Trabajo real en dominios complejos.

Proyectos
01

APIs de facturación y pagos

Diseño de APIs críticas para movilidad, con arquitectura orientada a eventos, observabilidad operativa y despliegues cloud-native.

JavaSpring BootKafkaAWSKubernetes
02

Modernización de core bancario

Migración de procesos bancarios a servicios modulares, mejorando rendimiento, trazabilidad y time-to-market.

SpringHibernateOracleSQL ServerCI/CD
03

Plataformas enterprise

Construcción de plataformas e integraciones para equipos internos, reduciendo fricción operativa y deuda técnica.

Spring MVCJPASharePoint.NETOracle
03

Tecnologías y prácticas para escalar producto y equipo.

Stack

Backend Core

JavaSpring BootSpring MVCSpring SecurityJPA/HibernateREST APIs

Arquitectura y escalado

MicroservicesDDDHexagonalEvent-drivenClean ArchitectureSRE mindset

Cloud y plataforma

AWSKubernetesDockerApache KafkaCI/CDGitLab/Jenkins

Data y observabilidad

PostgreSQLOracleSQL ServerMongoDBGrafanaSplunk/Sentry

IA aplicada

Integración de LLMsRAGEmbeddingsFlujos agénticosTool callingMCPOpenRouterOllama
04

Dónde pongo la IA a trabajar.

Lab

Productos personales que diseño, construyo y opero yo mismo. Están en preproducción y soy su primer usuario, y justo por eso son el sitio donde pruebo decisiones de arquitectura antes de que lleguen al sistema de un cliente.

BACKEND To the future
01

Akademia — Exámenes generados por RAG desde tu propio material

La parte difícil es la generación del RAG: convertir los recursos que sube el usuario en tests y preguntas de forma automática. Construido sobre la API de embeddings de OpenAI a través de OpenRouter, con soporte de Gemini Embedding 2 en curso.

JavaSpring BootPostgreSQLRAGOpenRouterStripe
02

TokenMeter — Lo que cuesta de verdad generar código

Exploración abierta de la tokenización y el coste de los LLMs en la generación de código, tanto en bucles agénticos como en flujos directos de una sola pasada. Comparación de precios multiproveedor con sincronización dinámica.

JavaSpring BootDockerCloudflareAPIs de LLM
03

Forma — Un contrato validado para planes generados por un LLM

Un sistema operativo personal de forma física: composición corporal, entrenamiento, nutrición y coste de la compra en un mismo ciclo semanal. Lo interesante es el límite que le puse al modelo. Un LLM puede generar un plan de alimentación, pero solo con el catálogo que publica la API, y cualquier alimento que se invente se rechaza al importar. Los macros son un dato que alguien mide, no algo que estime un modelo.

Java 21Spring Boot 3HexagonalPostgreSQLFlywayReact 19Playwright
04

Local AI Lab — Modelos autoalojados sobre una RTX 3060

Despliegue de LLMs en local sobre 12 GB de VRAM con Ollama y LM Studio. Donde evalúo Qwen, Gemma, Llama, DeepSeek R1 y Mistral Nemo contra flujos de desarrollo agénticos e integraciones MCP.

OllamaLM StudioMCPClaude Code
05

¿Construimos algo que no pueda fallar?

Contacto

Disponible para roles senior de backend, en remoto dentro de la UE, y para consultoría sobre IA aplicada a sistemas ya existentes. Respuesta en menos de 24 horas.