La IA de generación en ingeniería de software ha ido mucho más allá del autocompletado. La frontera emergente es codificación de agentes: Sistemas de IA capaces de planificar cambios, ejecutarlos en múltiples pasos e iterar en función de la retroalimentación. Sin embargo, a pesar del revuelo en torno a los “agentes de IA que codifican”, la mayoría de las implementaciones empresariales tienen un rendimiento inferior. El factor limitante ya no es el modelo. Eso es todo contexto: La estructura, el historial y la intención que rodean el código que se está cambiando. En otras palabras, las empresas se enfrentan ahora a un problema de diseño de sistemas: todavía no han diseñado el entorno en el que operan estos agentes.
El paso de la asistencia a la agencia
El año pasado se produjo una rápida evolución de las herramientas de codificación de asistencia para los flujos de trabajo de los agentes. La investigación ha comenzado a formalizar lo que significa el comportamiento agentivo en la práctica: la capacidad de razonar entre diseño, prueba, ejecución y validación, en lugar de generar fragmentos aislados. Trabajos como remuestreo de acción dinámica muestra que permitir a los agentes ramificar, reconsiderar y revisar sus propias decisiones mejora significativamente los resultados en bases de código grandes e interdependientes. A nivel de plataforma, proveedores como GitHub ahora están creando entornos de orquestación de agentes dedicados como Agente copiloto y sede del agentepara respaldar la colaboración de múltiples agentes en canales empresariales reales.
Pero los primeros resultados de campo son una advertencia. Cuando las organizaciones introducen herramientas de agentes sin abordar el flujo de trabajo y el entorno, la productividad puede verse afectada. Un estudio de control aleatorio de este año mostró que los desarrolladores que utilizaron la asistencia de IA en flujos de trabajo sin cambios completaron las tareas más lentamente, en gran parte debido a la verificación, el retrabajo y la confusión en torno a la intención. La lección es simple: la autonomía sin orquestación rara vez produce eficiencia.
Por qué la ingeniería de contexto es el verdadero desbloqueo
En todos los despliegues fallidos que he observado, el fracaso se debió al contexto. Cuando los agentes no tienen una comprensión estructurada de una base de código, específicamente sus módulos relevantes, gráficos de dependencia, equipos de prueba, convenciones arquitectónicas e historial de cambios. A menudo generan resultados que parecen correctos pero que están desconectados de la realidad. Demasiada información sobrecarga al agente; muy poco te obliga a adivinar. El objetivo no es alimentar al modelo con más tokens. El objetivo es determinar qué debe ser visible para el agente, cuándo y de qué forma.
Los equipos que logran avances significativos tratan el contexto como una superficie de ingeniería. Crean herramientas para capturar instantáneas, comprimir y versionar el memoria de trabajo del agente: Lo que persiste a lo largo de los turnos, lo que se descarta, lo que se resume y lo que está vinculado en lugar de incrustado. Diseñan pasos de deliberación en lugar de sesiones estimulantes. Hacen de la especificación un artefacto de primera clase, algo revisable, comprobable y propietario, no un historial de chat transitorio. Este cambio se alinea con una tendencia más amplia que algunos investigadores describen como “las especificaciones se convierten en la nueva fuente de verdad”.
El flujo de trabajo debe cambiar junto con las herramientas.
Pero el contexto por sí solo no es suficiente. Las empresas deben reestructurar los flujos de trabajo en torno a estos agentes. Como Informe McKinsey 2025 “Un año de agente AI” Como se señaló, las ganancias de productividad no provienen de la aplicación de capas de IA a los procesos existentes, sino de repensar el proceso en sí. Cuando los equipos simplemente colocan a un agente en un flujo de trabajo sin cambios, crean fricciones: los ingenieros dedican más tiempo a verificar el código escrito por IA que a escribirlo ellos mismos. Los agentes solo pueden amplificar lo que ya está estructurado: bases de código modulares y bien probadas con propiedad y documentación claras. Sin estos fundamentos, la autonomía se convierte en caos.
La seguridad y la gobernanza también requieren un cambio de mentalidad. El código generado por IA introduce nuevas formas de riesgo: dependencias no controladas, violaciones sutiles de licencia y módulos no documentados que escapan a la revisión por pares. Los equipos maduros están comenzando a integrar la actividad de los agentes directamente en sus Canalizaciones de CI/CDtratar a los agentes como colaboradores autónomos cuyo trabajo debe pasar por el mismo análisis estático, seguimiento de auditoría y puertas de aprobación que cualquier desarrollador humano. La propia documentación de GitHub destaca esta trayectoria, posicionando a los agentes Copilot no como reemplazos de ingenieros, sino como participantes orquestados en flujos de trabajo seguros y revisables. El objetivo no es permitir que una IA “escriba todo”, sino garantizar que cuando actúe, lo haga dentro de barreras protectoras definidas.
En qué deberían centrarse ahora los responsables de la toma de decisiones empresariales
Para los líderes técnicos, el camino a seguir comienza con la disposición, no con el entusiasmo. Los monolitos escasamente probados rara vez producen ganancias netas; Los agentes prosperan donde las pruebas son confiables y pueden generar un refinamiento iterativo. Este es exactamente el ciclo antrópico Solicita agentes codificadores. Pilotos en dominios con alcance restringido (generación de pruebas, modernización heredada, refactores aislados); Trate cada implementación como un experimento con métricas explícitas (tasa de escape de defectos, tiempo del ciclo de relaciones públicas, tasa de fallas de cambios, hallazgos de seguridad eliminados). A medida que aumenta su uso, trate a los agentes como infraestructura de datos: cada plan, instantánea de contexto, registro de acciones y ejecución de prueba son datos que constituyen una memoria de búsqueda de intenciones de ingeniería y una ventaja competitiva duradera.
Detrás de escena, la codificación de agentes es menos un problema de herramientas que de datos. Cada instantánea de contexto, iteración de prueba y revisión de código se convierte en una forma de datos estructurados que deben almacenarse, indexarse y reutilizarse. A medida que estos agentes proliferen, las empresas gestionarán una capa de datos completamente nueva: una que capture no sólo lo que se construyó, sino también cómo se pensó. Este cambio transforma los registros de ingeniería en un gráfico de conocimiento de intención, toma de decisiones y validación. Con el tiempo, las organizaciones que puedan buscar y reproducir esta memoria contextual superarán a aquellas que todavía tratan el código como texto estático.
El próximo año probablemente determinará si la codificación de agentes se convierte en una piedra angular del desarrollo empresarial o en otra promesa inflada. La diferencia dependerá de la ingeniería contextual: la forma inteligente en que los equipos diseñan el sustrato informativo del que dependen sus agentes. Los ganadores serán aquellos que vean la autonomía no como magia sino como una extensión del diseño disciplinado de sistemas: flujos de trabajo claros, retroalimentación mensurable y gobernanza rigurosa.
resultado final
Las plataformas están convergiendo en la orquestación y la protección, y la investigación continúa para mejorar el control del contexto en el momento de la inferencia. Los ganadores durante los próximos 12 a 24 meses no serán los equipos con el modelo más llamativo; Serán ellos quienes diseñen el contexto como un activo y traten el flujo de trabajo como el producto. Haga esto y la autonomía aumentará. Ignóralo y la cola de revisión lo hará.
Contexto + agente = apalancamiento. Sáltate la primera mitad y el resto se desmorona.
Dhyey Mavani está acelerando la IA generativa en LinkedIn.
Lea más de nuestro escritores invitados. ¡O considera enviar tu propia publicación! Vea nuestro pautas aquí.
