Los agentes de IA ya programan solos: GitHub y Atlassian cambian las reglas

El programador que presume de escribir cada línea a mano ya no defiende calidad: muchas veces defiende una costumbre cara. Pero la empresa que entrega el repositorio completo a un agente de IA y se va a dormir tampoco está innovando. Está convirtiendo producción en un casino con terminal.

Esta semana, GitHub y Atlassian dejaron claro hacia dónde va el desarrollo de software: agentes que reciben incidencias, investigan el contexto, modifican código, ejecutan pruebas y preparan pull requests sin esperar instrucciones a cada paso. Ya no hablamos de autocompletar una función. Hablamos de trabajo autónomo, recurrente y ejecutado en segundo plano.

La pregunta importante no es si estos agentes escribirán más código que nosotros. Eso ya está ocurriendo. La pregunta es quién responderá cuando una máquina muy rápida automatice una decisión equivocada cien veces antes del desayuno.

GitHub Copilot y Jira convierten el backlog en una línea de producción

GitHub anunció nuevas funciones de Copilot que conectan Jira con su aplicación, llevan el contexto de una incidencia hasta la investigación y la implementación, y preparan el pull request. En VS Code 1.137, además, los equipos pueden programar tareas de agentes para que se ejecuten cada hora, cada día o cada semana.

Eso cambia el modelo mental. El agente ya no espera frente al cursor. Puede vigilar trabajo pendiente, activarse mediante una automatización y regresar con una propuesta terminada. GitHub también está probando Project HydraFusion en Copilot CLI, una capa que elige entre modelos locales, remotos y compuestos según rendimiento, coste y latencia.

El usuario deja de seleccionar obsesivamente el mejor modelo para cada prompt. La plataforma decide qué motor usar y cómo encadenarlo. Es cómodo, pero también desplaza una parte enorme del control desde el desarrollador hacia el proveedor.

Atlassian empuja en la misma dirección. Según SiliconANGLE, sus próximos «agent loops» podrán revisar backlogs, transformar tareas en merge requests y mantener agentes activos durante horas o días. Code Context intentará alimentarlos con arquitectura, decisiones internas y estándares repartidos entre varios repositorios.

El backlog, ese cementerio donde las buenas intenciones envejecen hasta volverse irrelevantes, podría convertirse en una cola de ejecución automática. Suena fantástico porque lo es. También suena peligroso porque lo es todavía más.

El problema de los agentes autónomos no es el código, sino la autoridad

Durante años discutimos si la IA generaba código correcto. Esa discusión quedó pequeña. Un agente moderno no solo redacta TypeScript o Python: abre archivos, consulta incidencias, navega por servicios, ejecuta comandos y propone cambios sobre sistemas reales.

El riesgo ya no vive únicamente dentro de una función mal escrita. Vive en la combinación de contexto incompleto, credenciales demasiado amplias y una orden ambigua.

Atlassian admite que los agentes fallan cuando no comprenden la arquitectura, las decisiones históricas o las normas del equipo. Su respuesta incluye controles sobre qué pueden ver, dónde pueden operar y qué acciones pueden ejecutar, además de registros de auditoría para medir coste, calidad y resultados.

GitHub, por su parte, permite a administradores controlar el sandbox de Copilot en JetBrains: acceso al sistema de archivos, red, proxies, herramientas de desarrollo e incluso el llavero de macOS. Es una lista reveladora. Si una herramienta necesita políticas sobre red, disco y secretos, no es un asistente simpático: es una identidad privilegiada dentro de la infraestructura.

El nuevo bug más caro no será una línea de código incorrecta; será un agente correcto ejecutando una orden equivocada con permisos excesivos.

Y la industria pisa el acelerador mientras habla de frenos. Este fin de semana, Dario Amodei, Sam Altman y Elon Musk respaldaron públicamente reducir el ritmo de los modelos más avanzados y dar acceso profundo a evaluadores independientes, según una información de Bloomberg recogida por BusinessLine.

No es una contradicción menor. Los laboratorios reconocen riesgos crecientes justo cuando las plataformas de desarrollo convierten esos modelos en operadores permanentes. El modelo puede ser más seguro en una evaluación, pero su superficie de ataque aumenta en cuanto obtiene acceso a repositorios, navegadores, tickets y despliegues.

La ventaja oculta no será programar más rápido, sino controlar mejor

La reacción fácil es prohibir agentes autónomos. Es una fantasía. Si una empresa puede reducir días de trabajo repetitivo a unas horas, alguien lo adoptará. La verdadera oportunidad está en construir una capa de control que permita velocidad sin fe ciega.

Ahí aparecen productos y perfiles que hace dos años parecían secundarios: sistemas de permisos temporales, evaluaciones automáticas, observabilidad para agentes, presupuestos por tarea, entornos aislados y aprobaciones humanas basadas en riesgo.

La revisión también tendrá que cambiar. Un pull request producido en veinte minutos puede contener cientos de decisiones. Pedir a una persona cansada que lo «revise todo» es teatro de seguridad. Los equipos necesitarán pruebas ejecutables, contratos de arquitectura, análisis de impacto y verificaciones independientes que reduzcan la carga cognitiva.

También veremos una separación más clara entre quien propone y quien ejecuta. Un agente puede escribir la migración; otro sistema comprueba integridad, coste y reversibilidad. Un humano aprueba cuando toca datos sensibles o producción. La autonomía útil no significa ausencia de supervisión, sino supervisión concentrada en los puntos donde una equivocación importa.

La ironía es deliciosa: cuanto más código produzca la IA, menos valdrá producir código sin contexto. Documentar decisiones, definir límites y convertir requisitos en pruebas será más valioso que memorizar APIs.

Qué deben hacer hoy desarrolladores, freelancers y equipos de software

Primero, trata cada agente como una cuenta técnica separada. Dale credenciales efímeras, permisos mínimos y acceso solo al repositorio o servicio necesario. Si usa tus mismas llaves, ya perdiste trazabilidad antes de empezar.

Segundo, automatiza tareas con criterios de aceptación verificables. «Mejora el rendimiento» es una invitación al caos. «Reduce el tiempo p95 de este endpoint un 20 % sin cambiar el contrato y con estas pruebas verdes» permite comprobar el resultado.

Tercero, clasifica las acciones por impacto. Leer documentación puede ejecutarse solo. Modificar una rama necesita pruebas. Tocar producción, pagos, autenticación o datos personales exige una aprobación explícita y una ruta de reversión.

Cuarto, registra instrucciones, herramientas usadas, cambios, pruebas y costes. Cuando algo falle, «lo hizo la IA» no servirá como diagnóstico ni como defensa ante un cliente.

Quinto, evita depender de un único modelo. HydraFusion confirma que la orquestación será parte del producto. Diseña flujos donde puedas cambiar de motor sin reconstruir permisos, auditoría y lógica empresarial.

Para un freelancer, esto no elimina trabajo: elimina parte del trabajo barato y repetitivo. El valor se mueve hacia comprender el negocio, diseñar sistemas confiables y entregar resultados con responsabilidad. Quien solo venda horas de teclado sufrirá. Quien sepa dirigir y verificar una pequeña flota de agentes podrá competir con equipos mucho mayores.

Los agentes de IA ya no vienen a sentarse a nuestro lado. Vienen a trabajar cuando nadie mira. La ventaja no será activarlos primero, sino construir un sistema donde puedan equivocarse sin incendiar el negocio.

Si quieres integrar agentes de IA en tu producto sin regalarles acceso ilimitado, contacta conmigo. Soy Brayan, desarrollador freelance, y puedo ayudarte a diseñar automatizaciones rápidas, auditables y con límites reales.