La ingeniería agéntica —es decir, el desarrollo de software en el que los agentes de IA realizan de forma mayormente autónoma tareas de varios pasos, en lugar de limitarse a proponer líneas de código sueltas— a muchos les sigue sonando a experimento. En la práctica de las grandes organizaciones de desarrollo, ya no lo es. En SAP, el uso de este tipo de herramientas forma parte del día a día; Oliver Nocon y Lukas Heimann relatan las experiencias derivadas de ello. La frase central de su informe resulta incómoda: la IA hace más rápidos a los equipos, lamentablemente también en los malos procesos.

El efecto amplificador

Esta observación merece más atención que cualquier debate sobre tamaños de modelo o precios de tokens. Pues describe la IA no como una solución, sino como un multiplicador. Donde los requisitos están formulados con claridad, las pruebas son sólidas y las revisiones son vinculantes, un agente aumenta el rendimiento. Donde los requisitos siguen siendo vagos, la cobertura de pruebas tiene lagunas y las revisiones de código son más bien un trámite, el mismo agente aumenta el rendimiento exactamente igual, solo que entonces produce más de aquello que ya de por sí no estaba bien.

La diferencia con promesas de productividad anteriores está en el ritmo. Un equipo que sin IA genera tres pull requests cuestionables por semana tiene tiempo para advertir el error. Un equipo que genera treinta no tiene ese tiempo. La deuda técnica no surge más despacio porque la escriba una máquina: surge más rápido.

El cuello de botella se desplaza

Cuando la generación de código se abarata, el cuello de botella se desplaza. Ya no está en escribir, sino en revisar, comprender y asumir la responsabilidad. Justo ahí es donde muchas organizaciones están peor preparadas, porque el trabajo de revisión rara vez se planifica de forma visible y aún menos se reconoce.

En la práctica, esto significa que quien emplea agentes necesita más capacidad de revisión, no menos. Y necesita revisiones que se realicen en cuanto al contenido, no como un clic en un botón de aprobación bajo un conjunto de cambios que ya nadie puede leer en un tiempo razonable. Los cambios grandes generados por máquina son especialmente poco manejables para la revisión humana, porque superficialmente parecen plausibles y los problemas reales se esconden en casos límite, en el tratamiento de errores o en supuestos implícitos.

Lo que debería preceder a la introducción

De esta lógica se desprende una secuencia poco espectacular pero eficaz: primero los procesos, luego las herramientas. Antes de anclar flujos de trabajo de codificación con IA en un equipo, deberían aclararse algunos puntos:

  • Definition of Done: ¿Cómo se determina que una tarea está terminada, y de forma verificable, no por intuición?
  • Aseguramiento automatizado de la calidad: las pruebas, el análisis estático y la canalización de compilación deben funcionar de forma fiable y ser significativos. Un agente que trabaja contra una suite de pruebas en verde pero vacía de contenido optimiza hacia el objetivo equivocado.
  • Revisiones vinculantes: responsabilidad clara, límites de tamaño realistas para los cambios, motivos de rechazo documentados.
  • Convenciones de arquitectura y de código: lo que no está fijado por escrito, un agente no puede cumplirlo; entonces inventa su propia variante.
  • Responsabilidad: ¿quién responde técnicamente por el código que ha generado un agente? La respuesta no puede ser "la herramienta".

La calidad de los procesos se vuelve medible y costosa

Interesante es el efecto secundario económico. Los procesos débiles eran hasta ahora sobre todo un fastidio que se expresaba a lo largo de meses en retrasos y retrabajo, de forma difusa y difícil de atribuir. Con una alta velocidad de cambio se convierten en un factor de coste inmediatamente perceptible. Eso es incómodo, pero también una oportunidad: las organizaciones que hasta ahora no veían motivo para ordenar sus flujos de desarrollo reciben ahora uno muy concreto.

Para las personas con responsabilidad en la toma de decisiones se deriva de ello una pregunta distinta de la habitual. No "¿qué herramienta de IA adquirimos?", sino: ¿soportan nuestros procesos una duplicación del volumen de cambios? Si la respuesta honesta es no, la introducción de agentes no es un avance, sino una aceleración en la dirección equivocada.

De forma gradual en lugar de generalizada

Según la experiencia, ha dado buen resultado un enfoque reducido al principio: un equipo, un área claramente delimitada de la base de código, una clase de tareas manejable. Ahí se puede observar dónde surgen fricciones, generalmente no en la propia generación de código, sino en los puntos de traspaso: tickets poco claros, datos de prueba faltantes, cuestiones de arquitectura sin decidir, dependencias con otros equipos.

Resolver estos puntos de fricción es el trabajo real. Merece la pena con independencia de qué modelo esté de actualidad el año que viene, y es la razón por la que el informe procedente del día a día de la empresa es más que una anécdota: no describe una cuestión de herramientas, sino una cuestión de organización.

Qué significa esto para los proyectos

Para los proyectos web y de software, esto significa reordenar las prioridades: quien quiera introducir el desarrollo asistido por IA debe invertir primero en cobertura de pruebas, disciplina de revisión y requisitos claros, no en licencias. Solo entonces la velocidad se convierte también en calidad, en lugar de solo en más volumen. Y en las licitaciones y en la selección de proveedores de servicios conviene preguntar menos por las herramientas de IA empleadas y más por cómo un equipo verifica y asume la responsabilidad de sus resultados.

Fuentes