Piensa en cómo suele hacerse una auditoría de rendimiento en cliente dentro de una aplicación web grande: lanzas el plugin @next/bundle-analyzer, abres en el navegador un mapa gigante de Webpack Treemap y te pones a meditar frente a un mosaico de rectángulos de colores. Vas escrutando nombres de módulos intentando adivinar a ojo por qué una librería pesada de formateo de fechas o un parser de Markdown se ha colado en el chunk crítico de renderizado. Es un trabajo pesado, rutinario, que consume horas de ingeniería y en el que es fácil pasar por alto cadenas complejas de importaciones indirectas.
En las últimas versiones de Next.js, el equipo del framework ha propuesto un giro radical: dejar de dibujar mapas de colores para humanos y pasar el análisis del bundle a agentes de IA autónomos y especializados.
De mapas interactivos al grafo de módulos en JSON
La base arquitectónica de esta idea está en el empaquetador Turbopack, escrito en Rust. Turbopack construye un grafo detallado y granular de dependencias y chunks de la aplicación. Desde Next.js 16.1 el analizador viene integrado en el ecosistema, y en el artículo del Next.js Blog presentaron el comando next analyze export.
En lugar de generar un fichero HTML pesado, este comando produce una instantánea JSON compacta y estructurada:
- El mapa completo de módulos con su tamaño sin comprimir y en gzip;
- Las fronteras exactas entre Server Components (RSC) y árboles de cliente (
'use client'); - Las rutas de carga dinámica (
import()ylazy); - Las cadenas dirigidas de importaciones desde el punto de entrada de cada página hasta cada fichero de utilidades concreto.
Para un modelo de lenguaje grande (LLM), un grafo en JSON así es materia prima ideal. El agente no se dedica a mirar píxeles en pantalla, sino que aplica algoritmos de teoría de grafos: encuentra los caminos de importación más cortos y calcula el corte mínimo del grafo (minimum cut) para aislar librerías pesadas.
La skill agéntica next-bundle-optimizer en la práctica
Para conectar asistentes de IA (Cursor, Claude Code, Windsurf o Vercel Agent) a estas auditorías, los desarrolladores publicaron una skill abierta en el catálogo Vercel Skills. Esta skill enseña al agente a entender las particularidades de Next.js: detectar importaciones estáticas accidentales, aislar código de servidor y mover cuadros de diálogo poco usados a chunks dinámicos sin romper nada.
Échale un vistazo a la configuración básica en next.config.js:
/** @type {import('next').NextConfig} */
const nextConfig = {
experimental: {
// Activamos la recopilación granular de telemetría de Turbopack
turbo: {
rules: {},
},
},
// Ajustes de compresión y optimización del bundle de producción
productionBrowserSourceMaps: false,
};
module.exports = nextConfig;
Con el bloque experimental.turbo habilitado y los source maps de navegador desactivados en producción, preparas el proyecto para que Turbopack exponga la telemetría limpia del grafo sin ruido innecesario.
Y así es como se ve el flujo práctico desde la terminal:
# 1. Añadimos la skill de optimización del bundle al entorno de trabajo
npx skills add vercel/next.js --skill next-bundle-optimizer
# 2. Exportamos la instantánea del grafo de módulos a un JSON legible por máquina
npx next build --turbo && npx next analyze export --output=./bundle-snapshot.json
# 3. Lanzamos el comando de auditoría y corrección automática
# El agente de IA modifica el código sustituyendo importaciones voraces por dynamic()
/next-bundle-optimizer fix --target=./bundle-snapshot.json
Primero instalas la skill, luego compilas y vuelcas el grafo completo a bundle-snapshot.json, y por último el agente recorre ese JSON para localizar qué importaciones estáticas conviene convertir en cargas diferidas con dynamic().
En nuestro estudio sobre cómo en Next.js 16.4 el modelo Cache Components se convirtió en estándar y acelera el SSR, ya hablamos de la pelea por cada kilobyte en el cliente. En pruebas reales sobre proyectos en producción como vercel.com y la plataforma v0, la combinación de Turbopack y agentes de IA recortó casi 2 megabytes de JavaScript en cliente: la carga voraz del editor de código pasó a ser diferida (150 KB menos por página) y los módulos internos de observabilidad quedaron fuera de las utilidades compartidas de parseo de URLs.
Ejecuta la exportación del grafo de Turbopack en cada pull request dentro de GitHub Actions. Comparar dos ficheros JSON mediante diff permite bloquear al instante la entrada accidental de dependencias pesadas antes de que la rama llegue a la base de código principal.
En lugar de perder la tarde buscando «culpables» a mano, recibes un pull request listo del agente con la sustitución puntual de la importación estática por dynamic() y la medición exacta de los kilobytes ahorrados.
