Ir al contenido

Black Friday: hasta un 61 % de descuento en nuestros packs hasta el 30 de noviembre.

Ver los packs

Brandrail vs Brandrails vs Modern Web Guidance: salvaguardas de código UI con IA para tu sistema de diseño

Brandrail, Brandrails y Modern Web Guidance protegen cada uno un carril distinto de la UI generada con IA: la conformidad de marca, los design tokens y las reglas para agentes, y el código moderno de la plataforma web. Esta guía presenta el Modelo de Tres Carriles, indica qué herramienta detecta cada deriva, explica cómo integrarlas como controles en CI y expone lo que la evidencia muestra y lo que no.

Los equipos que lanzan UI con Claude Code, Cursor, Copilot o Codex acaban con pantallas que funcionan pero que no parecen un único producto. Además, el código subyacente suele tener un estilo más antiguo que el que escribiría hoy un ingeniero frontend sénior.

El Modelo de Tres Carriles: tres herramientas, tres capas de deriva en la UI generada con IA

El proyecto Brandrail plantea el problema central sin rodeos: las herramientas de programación con IA no conocen tu sistema de diseño, así que cada pantalla sale con colores, botones y espaciados distintos. Dividimos esa deriva en lo que llamamos el Modelo de Tres Carriles: un carril de marca, un carril de tokens y un carril de plataforma. Cada herramienta de esta guía se centra en uno de ellos.

Carril de marca. Brandrail (brandrail-app/brandrail) es un servidor MCP. Le entrega al agente tu Brand Kit y tus componentes antes de que escriba UI, luego revisa el resultado y devuelve correcciones para que el agente pueda corregirse.

Carril de tokens. Brandrails (matejholek/brandrails) es una herramienta distinta cuyos archivos de agente siempre cargados, como AGENTS.md y las instrucciones de Copilot, enumeran solo los nombres de los tokens y remiten a design/tokens.md, de modo que un sistema de diseño grande no se coma la ventana de contexto.

Carril de plataforma. Modern Web Guidance ataca un fallo diferente. Sus mantenedores señalan que los agentes de programación suelen recurrir a patrones antiguos porque los datos de entrenamiento de los LLM contienen enormes cantidades de código heredado. Un botón puede encajar a la perfección con tu marca y, aun así, usar un patrón que la plataforma web sustituyó hace años.

Una nota sobre los nombres: Brandrail y Brandrails se confunden con facilidad, así que recomendamos instalar cada uno desde la URL exacta de su repositorio.

HerramientaCarrilCuándo actúaDónde se ejecutaLicencia o gobernanza
Brandrail (brandrail-app/brandrail)Marca: Brand Kit y componentesAntes de la generación (contexto) y después (validación)Servidor MCP local sobre stdio y un verificador CLI, más un servicio de cuentas alojadoMIT, según la cobertura de terceros de Tech Bytes
Brandrails (matejholek/brandrails)Tokens y archivos de instrucciones de agente ligerosAntes de la generación (archivos de agente)En tu repositorioRevisa el repositorio antes de adoptarlo
Modern Web GuidanceCódigo web moderno basado en estándaresAntes de la generación (guía para el agente)En el contexto de trabajo del agenteGestionado por los equipos de Chrome, Edge, Firefox y MDN junto con la comunidad

Qué carril detecta cada deriva

La siguiente matriz es nuestra propia lectura del enfoque declarado de cada proyecto, no una comparación medida. Ninguna columna cubre por completo la accesibilidad ni el comportamiento entre navegadores, así que recomendamos que esas comprobaciones sigan en manos de personas.

Tipo de derivaCarril de marca (Brandrail)Carril de tokens (Brandrails)Carril de plataforma (Modern Web Guidance)
Colores, tipografía o componentes fuera de marcaPrincipalParcialNo
Valores fijos en el código en lugar de tokensParcialParcial (agentes dirigidos a los tokens)No
El agente nunca ve tus reglasParcial (contexto MCP)Principal (archivos ligeros siempre cargados)No
Patrones heredados, como tooltips personalizados en JavaScriptNoNoPrincipal
Semántica, formularios y accesibilidadNoNoParcial
Comportamiento entre navegadoresNoNoNo fiable

Brandrail: contexto de marca como entrada, puntuación de marca como salida

Brandrail funciona como un bucle. Antes de la generación, su servidor MCP envía al agente tu Brand Kit y tus componentes como contexto, de modo que el primer borrador parte de tus reglas y no de los valores por defecto del modelo. Después de la generación, la validación pasa por una herramienta llamada validate_snippet. Según su descripción publicada, devuelve una puntuación de marca y enumera cada infracción junto con su corrección.

El uso previsto es concreto: llamarla una vez después de escribir UI, pasarle todos los archivos modificados y corregir cada error y cada advertencia antes de terminar. Un agente que solo le pase el último archivo que tocó obtendrá una puntuación complaciente. Recomendamos tratar la puntuación de marca como una señal entre varias, con comprobaciones separadas de accesibilidad, maquetación y calidad del código.

En cuanto al empaquetado, la cobertura de terceros de Tech Bytes informa de que Brandrail distribuye un paquete con licencia MIT que incluye un servidor MCP local, un verificador CLI independiente y un motor de reglas en TypeScript puro sin dependencias en tiempo de ejecución. El verificador CLI es importante porque una herramienta MCP solo se ejecuta cuando el agente decide llamarla, mientras que un paso CLI en CI se ejecuta en cada pull request.

Qué mantiene Brandrail en local y qué pasa por su servicio alojado

Los equipos de seguridad, legal y compras preguntarán adónde va el código. En la ruta de verificación, el repositorio de Brandrail es claro: el servidor se ejecuta localmente sobre stdio, y el código se revisa en tu máquina y nunca se sube.

Brandrail también opera un servicio alojado con cuentas y claves de API. Su página de seguridad describe esa parte:

  • Claves de API: solo se almacena un hash SHA-256. Las claves tienen un alcance limitado, caducan a los 90 días y muestran cuándo se usaron por última vez, y revocar una surte efecto de inmediato.
  • Cifrado: los datos en tránsito usan TLS 1.2 o superior en todas partes, con HSTS activado. El proveedor de base de datos de Brandrail cifra los datos en reposo con AES-256.
  • Certificación: ante la pregunta sobre una certificación formal, Brandrail responde 'Todavía no.' Se ofrece a completar cuestionarios de seguridad y puede firmar un acuerdo de tratamiento de datos.

Aprovecha la oferta del cuestionario y del acuerdo de tratamiento de datos para obtener confirmación por escrito de cómo se gestionan los datos de la cuenta alojada y del Brand Kit. Después, verifica por tu cuenta la afirmación de que todo ocurre en local observando el tráfico de red durante una verificación local, la misma diligencia que aplicarías a cualquier herramienta de desarrollo.

Brandrails: archivos de agente ligeros que remiten a tus tokens

Brandrails mantiene pequeños los archivos siempre cargados: AGENTS.md y las instrucciones de Copilot enumeran solo los nombres de los tokens y remiten a design/tokens.md. Así, un sistema de diseño grande no desplaza el resto del contexto del agente.

Para el propio archivo de tokens, a los equipos puede resultarles útil un formato compartido. El Design Tokens W3C Community Group se describe como una comunidad de diseñadores, desarrolladores y proveedores de herramientas que estandariza cómo se definen e intercambian los design tokens. Recomendamos comprobar cómo espera Brandrails que se estructuren los tokens antes de decidirte por un formato, y preferir un formato estándar cuando tus herramientas lo permitan, para que el mismo archivo pueda alimentar otras herramientas.

También recomendamos añadir, en el momento del pull request, una comprobación de deriva de tokens que marque los valores fijos que deberían haber sido tokens. Los archivos de agente ligeros guían al agente antes de la generación, y una comprobación en CI respalda esa guía con un paso que el agente no puede saltarse.

DesignSystems.one afirma que Claude Code no lee AGENTS.md y lo califica como la suposición errónea más común de la categoría. DesignSystems.one también sostiene que el relato de que AGENTS.md ha desplazado a CLAUDE.md no está respaldado por el recuento de archivos, y que CLAUDE.md va por delante. Como ambas convenciones están muy extendidas, recomendamos dar soporte a las dos por defecto.

Modern Web Guidance: evitar que los agentes escriban código web heredado

Modern Web Guidance está gestionado por los equipos de Google Chrome, Microsoft Edge, Mozilla Firefox y MDN, junto con la comunidad de desarrollo web. Las cifras de evaluación y los resultados de adoptantes que se citan a continuación proceden de la documentación y del blog de Chrome, por lo que los tratamos como datos comunicados por el proveedor, con Search Engine Journal como principal contraste independiente.

En el panel de evaluaciones de Chrome, los agentes guiados alcanzan una tasa de aprobación del 91% frente a aproximadamente el 51% de los modelos de frontera sin guía. Cuando Search Engine Journal consultó el panel, registró un 88% con guía frente a un 56% sin guía.

El blog de Chrome también destaca a tres adoptantes:

  • note inc.: la tasa de aprobación en las comprobaciones de web moderna subió del 61% al 94% en 180 ejecuciones. Las mejoras se debieron a orientar a los agentes hacia funciones nativas de HTML y CSS en lugar de JavaScript personalizado para animaciones de scroll, tooltips y acordeones.
  • WeTV: el tiempo de depuración y resolución se redujo un 87%, de cuatro horas a 30 minutos. Según se informa, el agente diagnostica y corrige automáticamente el 90% de las comprobaciones de rendimiento fallidas, y la cifra de cuatro horas a 30 minutos incluye evaluación manual.
  • MetaMask: un bot de revisión revisó unas 480 PR, comentó en 64 y vio corregidos 43 hallazgos. La mayoría eran problemas de accesibilidad, semántica HTML y formularios que los linters no detectan, con una mediana de 15 minutos desde el comentario hasta la corrección.

Search Engine Journal informó por separado de que el bot de MetaMask señaló 102 problemas en 57 PR de funcionalidades y correcciones durante sus primeras cinco semanas.

La prueba de LogRocket muestra el tipo de error al que apunta el paquete, con una interacción de filtrado en React en la que la memoización parece la solución obvia. Como explica LogRocket, useMemo evita recálculos innecesarios entre renderizados, pero no hace que el trabajo de filtrado deje de ser bloqueante, y eso es lo que importa para Interaction to Next Paint (INP). Recomendamos leer el ejemplo de LogRocket como una ilustración del fallo y no como prueba de la solución.

Cómo combinar las tres herramientas: un manual de design ops

El modelo funciona mejor cuando cada carril tiene una sola tarea y un solo responsable, y cuando la aplicación de las reglas no depende de que el agente recuerde sus instrucciones.

Paso 1: convierte el archivo de tokens en la fuente de verdad

Define o exporta los tokens en un único archivo, idealmente en un formato estándar como DTCG, y súbelo al repositorio con un responsable designado. Haz que los archivos de agente ligeros apunten a ese archivo, el patrón que usa Brandrails. Antes del piloto, confirma si Brandrail puede importar directamente tu archivo de tokens. Si no puede, actualiza el Brand Kit en el mismo cambio que los tokens y haz que el responsable de los tokens lo sea también del Brand Kit.

Paso 2: mantén ligeros los archivos de agente y cubre todos los agentes

Los archivos siempre cargados deben contener los nombres de los tokens y una referencia al documento completo de tokens, el patrón que usa Brandrails. Como Claude Code no lee AGENTS.md, acompaña el AGENTS.md ligero de un CLAUDE.md que lo importe. Así, todos los agentes trabajan con las mismas reglas.

Paso 3: añade la guía de plataforma

Instala Modern Web Guidance para cada agente que uses, de modo que los agentes prefieran HTML y CSS nativos frente a JavaScript personalizado en patrones comunes como tooltips, acordeones y animaciones de scroll.

Paso 4: cierra el bucle de generación

Conecta el servidor MCP local de Brandrail para que el agente reciba primero el Brand Kit, y haz que validate_snippet forme parte de la definición de terminado: una llamada, todos los archivos modificados, todos los errores y advertencias corregidos.

Paso 5: pon el control en el pull request

Ejecuta los verificadores en CI para sacar la aplicación de las reglas de las manos del agente, pero no hagas que todo sea bloqueante desde el primer día.

  • Comprobación de deriva de tokens: bloqueante. Un valor coincide con un token o no coincide. Recomendamos aplicarla en las líneas modificadas desde el principio, con el linting de tokens que admita tu stack.
  • Verificador CLI de Brandrail: primero consultivo. Durante el piloto, registra las puntuaciones de marca por PR sin bloquear. Cuando tengas una referencia, bloquea por errores y deja las advertencias como consultivas. Fija cualquier puntuación de marca mínima a partir de los datos de tu propio piloto.
  • Falsos positivos. Permite excepciones solo con un motivo por escrito y un aprobador designado. Si una regla falla una y otra vez, corrige el token o la regla en lugar de volver a suprimirla.
  • Bot de revisión: consultivo. Un bot como el de MetaMask puede señalar problemas de semántica, formularios y accesibilidad mientras las personas deciden qué corregir.

Paso 6: deja la accesibilidad en manos de personas

Paso 7: mide el coste y la latencia

Las ejecuciones con Modern Web Guidance activado solían ser más lentas y consumir más tokens. Mide el consumo de tokens y el tiempo de ejecución antes y después del piloto.

Errores comunes con las salvaguardas de código UI con IA

Tratar un sistema de diseño preparado para agentes como una garantía. DesignSystems.one informa de que Astryx, el propio sistema de diseño de Meta, obtuvo una puntuación global de 87 en el benchmark nocturno de Meta, por debajo de una base de shadcn/ui sin modificar. Interpreta el resultado como una dirección y no como una magnitud, y mantén los controles de CI sobre la UI generada incluso cuando un sistema de diseño se presente como preparado para agentes.

Confundir la conformidad de marca con la accesibilidad. Un estudio que, según se informa, se presentó en CHI 2026 encontró 541 problemas en 300 interfaces generadas, unos 1.8 por UI, encabezados por etiquetas de botón genéricas, textos de enlace vagos y textos alternativos deficientes, seguidos de problemas de ARIA y de etiquetas de formulario. No pudimos confirmar el título ni los autores del artículo, por lo que las cifras son orientativas y no definitivas, y ninguno de estos tipos de problema entra en lo que comprueba una puntuación de marca.

Advertencias: lo que la evidencia muestra y lo que no

La mayoría de las cifras de Modern Web Guidance proceden de Chrome. El dato principal del 91% sale del panel de Chrome, y los resultados de adoptantes proceden de empresas que Chrome eligió destacar. La instantánea independiente de Search Engine Journal, comentada más arriba, mostró una diferencia menor. Ambas apuntan en la misma dirección, pero el tamaño del efecto depende de cuándo y cómo se mida, y por eso las puntuaciones de benchmark necesitan un protocolo de evaluación declarado antes de compararlas.

La guía no sustituye a las pruebas. En una reseña publicada, el consultor de accesibilidad Adrian Roselli comprobó que la salida de la versión preliminar no cumplía las WCAG y que su animación no funcionaba en Firefox.

Trata las afirmaciones sobre Brandrail y Brandrails como no probadas hasta que las pruebes. Lo que este artículo dice de ambos proyectos procede de la documentación de los proyectos y de análisis de terceros, así que recomendamos validar su comportamiento en tu propio código durante el piloto.

Los archivos de instrucciones y los nombres varían entre agentes y proyectos. Según DesignSystems.one, Claude Code no lee AGENTS.md. Antes de estandarizar, vuelve a comprobar qué archivos de instrucciones carga cada uno de tus agentes y confirma cada URL de repositorio.

Puntos clave

  1. El Modelo de Tres Carriles divide la deriva de la UI generada con IA en marca, tokens y reglas, y plataforma. Brandrail, Brandrails y Modern Web Guidance se centran cada uno en un carril.
  2. Convierte un único archivo de tokens en la fuente de verdad y deriva de él el Brand Kit de Brandrail, para que las comprobaciones no señalen infracciones contradictorias.
  3. Haz que la comprobación de deriva de tokens sea bloqueante desde pronto y ejecuta el verificador CLI de Brandrail como consultivo hasta que los datos del piloto te den una puntuación de marca de referencia.
  4. Brandrail afirma que el código se revisa en local y nunca se sube. Aún no tiene certificación, así que confirma por escrito cómo se gestionan los datos de la cuenta alojada y del Brand Kit.
  5. Claude Code no lee AGENTS.md de forma nativa. Acompaña un AGENTS.md ligero de un CLAUDE.md que lo importe.
  6. Chrome informa de un 91% con guía frente a aproximadamente un 51% sin guía. La instantánea independiente de Search Engine Journal mostró un 88% frente a un 56%, una diferencia menor.
  7. Ningún carril cubre por sí solo la accesibilidad ni el comportamiento entre navegadores, y las ejecuciones guiadas suelen costar más tokens y más tiempo.

Conclusión

Para un primer piloto, elige un área de producto y asigna un responsable a cada carril. Anota las URL exactas de los repositorios de Brandrail y Brandrails, convierte un único archivo de tokens en la fuente de verdad y mantén ligeros los archivos de agente siempre cargados, con un CLAUDE.md junto al AGENTS.md ligero. Haz que la comprobación de deriva de tokens sea bloqueante en las líneas modificadas, ejecuta el verificador CLI de Brandrail como consultivo hasta que tengas una referencia y verifica el límite de datos de Brandrail con una comprobación de red durante una ejecución local. Mide el gasto de tokens y el tiempo de ejecución antes y después de activar Modern Web Guidance, y trata las cifras comunicadas por los proveedores como una hipótesis que debes probar en tu propio código. Mantén en todo momento la revisión de accesibilidad y entre navegadores en manos de personas.

Lecturas relacionadas en Optijara: Playwright y axe en estados reales de la UI y Trazas GenAI de OpenTelemetry para ejecuciones de agentes.

Preguntas frecuentes

¿Qué son las salvaguardas de código UI con IA?

Son herramientas y comprobaciones que mantienen la UI generada por agentes de programación como Claude Code, Cursor, Copilot o Codex coherente con tu sistema de diseño y con las prácticas web actuales. En el Modelo de Tres Carriles que usamos aquí, Brandrail cubre el carril de marca, Brandrails cubre los design tokens y los archivos de instrucciones de agente ligeros, y Modern Web Guidance cubre el carril de plataforma.

¿Brandrail y Brandrails son el mismo proyecto?

No. Brandrail (github.com/brandrail-app/brandrail) es un servidor MCP y verificador que proporciona a los agentes tu Brand Kit y devuelve una puntuación de marca. Brandrails (github.com/matejholek/brandrails) es una herramienta distinta cuyos archivos de agente siempre cargados enumeran solo los nombres de los tokens y remiten a una referencia de tokens más completa. Cítalos e instálalos siempre desde la URL exacta del repositorio.

Si Brandrail y Brandrails no coinciden, ¿cuál prevalece?

Decídelo antes del piloto. Una regla práctica es que el archivo de tokens de tu repositorio sea la fuente de verdad y que el Brand Kit de Brandrail se derive de él. Si el Brand Kit no puede generarse a partir de los tokens, actualízalo en el mismo cambio y asigna a un único responsable ambos elementos.

¿Brandrail sube mi código fuente?

Brandrail afirma que su servidor MCP se ejecuta localmente sobre stdio y que el código se revisa en tu máquina y nunca se sube. El servicio de cuentas alojado es una cuestión aparte. Consulta la sección sobre lo que Brandrail mantiene en local para saber qué confirmar por escrito y cómo verificar ese límite con una comprobación de red.

¿Claude Code lee AGENTS.md o necesito también un CLAUDE.md?

Claude Code no lee AGENTS.md de forma nativa. Necesitas un CLAUDE.md que importe o replique esas reglas. DesignSystems.one informa de que el recuento de archivos no respalda la idea de que AGENTS.md haya desplazado a CLAUDE.md, así que recomendamos dar soporte a ambos por defecto.

¿Necesito las tres herramientas o con cuál debería empezar un equipo?

Empieza por el carril del que procede tu deriva. Si las pantallas generadas ignoran tus colores y espaciados, empieza por el carril de tokens (Brandrails) o el carril de marca (Brandrail). Si el código funciona pero se apoya en patrones obsoletos, empieza por Modern Web Guidance. Muchos equipos acabarán combinándolas, pero hacer primero un piloto con un solo carril facilita medir el efecto.

¿Modern Web Guidance hace por sí sola que la UI generada con IA sea accesible y compatible entre navegadores?

No. Eleva el nivel base del código generado, pero la accesibilidad y la compatibilidad entre navegadores siguen teniendo que probarse. Una reseña independiente de la versión preliminar encontró problemas en ambas áreas. Mantén en el pipeline las pruebas automatizadas de accesibilidad y la revisión humana entre navegadores.

Fuentes

  1. https://github.com/brandrail-app/brandrail
  2. https://www.brandrail.com.au/security
  3. https://glama.ai/mcp/connectors/au.com.brandrail/brandrail/tools/validate_snippet
  4. https://techbytes.app/posts/brandrail-make-claude-code-and-cursor-follow-your-design-system/
  5. https://github.com/matejholek/brandrails
  6. https://www.designtokens.org/
  7. https://www.designsystems.one/ai-ready/agent-files
  8. https://developer.chrome.com/docs/modern-web-guidance
  9. https://developer.chrome.com/blog/modern-web-guidance-v1
  10. https://github.com/GoogleChrome/modern-web-guidance
  11. https://blog.logrocket.com/chromes-modern-web-guidance-prevent-ai-coding-agents/
  12. https://www.searchenginejournal.com/google-releases-modern-web-guidance-1-0-for-ai-coding-agents/596495/

Compartir este artículo

Hamza Diaz

Escrito por

Hamza Diaz

Hamza Diaz es el fundador de Optijara, donde crea agentes de IA prácticos, sistemas de automatización y flujos de trabajo de Copilot para empresas de servicios. Escribe sobre operaciones de IA, estrategia de agentes e implementación real para equipos que quieren sistemas útiles en lugar de promesas vacías.

Todos los artículos

Siguiente paso

¿Tienes algo que construir?

Cuéntanos qué necesitas. Te respondemos con un alcance claro y un presupuesto cerrado.