La IA ya escribe, corrige y audita tu código: el desarrollador que no controle el ciclo sobra

La IA ya puede escribir el código, detectar sus vulnerabilidades y abrir el pull request que las corrige. Si tu trabajo consiste únicamente en mover tickets hasta “done”, no tienes un problema de productividad: tienes una fecha de caducidad.

La industria acaba de cerrar el círculo. GitHub amplía AI Scan y entrega a Copilot lotes enteros de problemas de calidad. OpenAI empaqueta la infraestructura que mantiene agentes trabajando durante horas o días. Google enseña a Gemini a decidir qué fragmentos de un vídeo merece la pena analizar. Tres anuncios distintos apuntan al mismo cambio: el modelo ya no espera una pregunta; persigue un objetivo, usa herramientas y decide qué hacer después.

Eso puede multiplicar el trabajo de un buen desarrollador. También puede multiplicar errores, permisos excesivos y dependencia de proveedores a una velocidad que ningún equipo humano puede revisar manualmente.

GitHub Copilot ya no sugiere código: ahora recibe problemas y entrega pull requests

GitHub anunció que su agentic autofix para Code Quality permite seleccionar hasta 25 hallazgos y asignarlos a Copilot de una sola vez. El agente crea una rama, corrige los problemas, valida sus cambios y abre un pull request para revisión.

La diferencia con el autocompletado es enorme. Antes, Copilot proponía líneas dentro del editor y el programador conservaba el control inmediato. Ahora recibe un conjunto de resultados, recorre el repositorio y produce una unidad de trabajo terminada. El desarrollador pasa de autor a supervisor.

El 16 de septiembre, GitHub dio otro paso: AI Scan para pull requests ya no exige tener CodeQL configurado por defecto. Si la función está habilitada en la organización o el repositorio, las detecciones de seguridad basadas en IA pueden ejecutarse sobre más proyectos elegibles. La vista previa pública está disponible para clientes de GitHub Advanced Security en github.com.

La promesa es atractiva: menos deuda técnica, más vulnerabilidades detectadas y menos horas gastadas en reparaciones repetitivas. Pero también aparece una paradoja incómoda. El mismo ecosistema que acelera la producción de código con IA vende la capa de IA que debe revisarlo y corregirlo.

No significa que las herramientas sean inútiles. Significa que la confianza no puede venir del logo del proveedor. Una corrección generada sigue necesitando tests independientes, análisis determinista y una revisión que entienda el impacto sobre el producto. Un pull request bonito no es evidencia de que el cambio sea correcto.

El problema real de los agentes de IA no es el modelo, sino quién controla el ciclo

OpenAI presentó la Agents API en beta pública como una forma de llevar a otros productos la infraestructura que usa Codex. La API gestiona contexto, herramientas, entornos de ejecución y subagentes; además, permite ejecutar el trabajo en un sandbox administrado, infraestructura propia o proveedores asociados.

La parte importante no es “crear un agente con una llamada”. Es todo lo que la frase esconde. Los agentes útiles necesitan mantener contexto durante sesiones largas, compactar información, buscar herramientas bajo demanda, ejecutar código, guardar resultados y dividir tareas entre procesos especializados. Eso ya no es un chatbot con una función añadida. Es una plataforma de computación con capacidad para tomar decisiones intermedias.

OpenAI afirma que no cobra una tarifa adicional por la Agents API durante esta beta: se pagan los tokens y las herramientas utilizadas. Esa facilidad reducirá la barrera de entrada, pero también hará que muchos equipos desplieguen agentes antes de haber diseñado permisos, auditoría, presupuestos o recuperación ante fallos.

El agente más peligroso no es el que razona mal; es el que razona bastante bien y tiene acceso a demasiado.

Un error visible en un chat molesta. Un error de un agente con credenciales de producción puede modificar datos, gastar dinero o filtrar información. Y cuanto más autónomo sea el flujo, más difícil resulta descubrir en qué decisión comenzó el problema.

Por eso la discusión sobre qué modelo obtiene dos puntos más en un benchmark se está quedando vieja. La ventaja competitiva empieza a vivir en el arnés: aislamiento, memoria, herramientas, observabilidad, límites y mecanismos de aprobación. El modelo piensa; la arquitectura decide hasta dónde puede actuar.

El giro inesperado: Gemini demuestra que un agente también puede ahorrar computación

Google ofrece una pista de por qué este cambio no se limita a programar. Su comprensión agéntica de vídeo para Gemini deja de procesar un archivo a una tasa fija de fotogramas. El modelo decide qué segmentos inspeccionar, a qué velocidad y mediante qué señal: imagen, audio o transcripción.

Según Google, el enfoque reduce el consumo de tokens hasta un 88 %, recorta el coste hasta un 66 % y mejora la calidad hasta un 7 % en sus pruebas. Está disponible para Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite mediante Gemini API, Google AI Studio y Gemini Enterprise Agent Platform.

La lección es más amplia que el vídeo. La autonomía bien diseñada no solo ejecuta más acciones; evita trabajo inútil. Un agente puede buscar el archivo relevante en vez de cargar todo el repositorio, consultar una fuente solo cuando la necesita o dedicar más cómputo al tramo donde detecta una anomalía.

Ahí está la oportunidad que muchos productos “con IA” ignoran. Añadir un modelo a cada pantalla suele inflar costes sin mejorar el flujo. Diseñar un agente capaz de elegir qué información merece atención puede hacer el sistema más barato y preciso al mismo tiempo.

Pero esa selección introduce otra caja negra. Si el agente decide qué mirar, también puede decidir —por error— qué ignorar. La eficiencia exige métricas que permitan comprobar cobertura, falsos negativos y decisiones omitidas. Ahorrar tokens no sirve si el detalle descartado era el incidente.

Qué cambia hoy para desarrolladores, freelancers y equipos de producto

Primero, deja de medir productividad por líneas generadas. Cuando la IA puede producir y corregir código, el valor humano se desplaza hacia definir restricciones, diseñar interfaces entre sistemas y demostrar que el resultado cumple el objetivo. La especificación, los tests y la arquitectura pesan más que la velocidad del teclado.

Segundo, separa generación y verificación. Si Copilot crea el parche, no uses únicamente la explicación de Copilot para aprobarlo. Ejecuta suites reproducibles, linters, análisis de dependencias y pruebas de seguridad que no dependan del mismo razonamiento probabilístico.

Tercero, trata cada agente como una identidad técnica independiente. Dale credenciales temporales, permisos mínimos y un entorno aislado. Registra herramientas invocadas, archivos modificados, conexiones externas, coste y decisiones rechazadas. El historial de conversación no sustituye un log de auditoría.

Cuarto, diseña límites económicos. Los agentes largos pueden consumir tokens, cómputo y APIs externas durante horas. Cada ejecución necesita presupuesto máximo, timeout, condiciones de parada y alertas. “Que siga hasta terminar” es una especificación perfecta para recibir una factura absurda.

Por último, conserva una salida. OpenAI, GitHub y Google ofrecen infraestructura potente, pero el flujo central de un negocio no debería quedar atrapado en una interfaz imposible de reemplazar. Mantén tus datos, políticas y evaluaciones en formatos portables. Un proveedor debe acelerar el producto, no convertirse en su sistema nervioso irremplazable.

La IA no está eliminando el desarrollo de software. Está eliminando la parte del trabajo que podía describirse como obedecer instrucciones sin cuestionar el sistema. El nuevo desarrollador valioso no compite con el agente escribiendo más rápido. Decide qué puede hacer, cómo demostrar que lo hizo bien y quién responde cuando falla.

Si quieres integrar agentes de IA en un producto sin entregarles las llaves de producción, contacta conmigo. Soy Brayan, desarrollador freelance, y puedo ayudarte a convertir la automatización en una ventaja medible, segura y bajo tu control.