AI Coding Agents: cómo están cambiando el desarrollo de software y qué debe controlar tu empresa
La inteligencia artificial ya no solo colabora en el desarrollo de software para finalizar el código o responder consultas. Los AI Coding Agents pueden abordar tareas más extensas, revisar un repositorio, planificar modificaciones, editar archivos, realizar pruebas y preparar los resultados para que un desarrollador los evalúe.
Esta evolución continúa el trayecto iniciado por la IA generativa en el desarrollo de software, pero amplía el alcance desde la ayuda puntual hacia la ejecución de tareas compuestas por múltiples pasos.
Si deseas estar informado sobre gestión de talento tecnológico, su contratación y nuevas tendencias, suscríbete.
Cuando una herramienta se limita a sugerir código, el desarrollador mantiene el control directo sobre casi todas las acciones. Cuando un agente puede llevar a cabo diversas etapas de una tarea, parte de ese trabajo se efectúa con mayor independencia.
El impacto alcanza diferentes fases del ciclo de desarrollo de software. La planificación, programación, revisión y pruebas ya pueden incluir trabajo realizado por agentes. A medida que estas capacidades se conectan con CI/CD y otros procesos de ingeniería, también surge la necesidad de establecer límites claros sobre lo que cada agente puede llevar a cabo.
Para las empresas, este avance abre nuevas oportunidades de automatización, pero también obliga a decidir qué tareas se pueden delegar, cuáles requieren supervisión y qué controles deben mantenerse antes de que un cambio avance a producción.
Qué diferencia a los AI Coding Agents de los asistentes de código
Los primeros asistentes de programación basados en IA se integraron principalmente como apoyo al desarrollador. Podían completar una función, generar un fragmento de código, explicar un error o proponer una solución a partir de una instrucción.
Los AI Coding Agents trabajan con una unidad de trabajo más amplia.
En lugar de solicitar únicamente la generación de una función, un desarrollador puede asignar una tarea relacionada con un bug o una nueva funcionalidad. El agente puede estudiar el repositorio, identificar los archivos relacionados, realizar cambios, ejecutar pruebas y preparar un pull request para revisión.
GitHub documenta este tipo de funcionamiento en sus coding agents. El sistema puede explorar el repositorio, realizar cambios y ejecutar pruebas antes de solicitar la revisión de una persona. OpenAI describe capacidades similares para Codex, que puede trabajar sobre tareas de ingeniería dentro de entornos aislados y ejecutar comandos y tests durante el proceso.
La diferencia principal está en delegar una secuencia de acciones que antes debía ejecutar directamente un desarrollador.
Esto hace que la calidad del entorno de desarrollo cobre mayor importancia. Un agente necesita entender cómo está organizado el repositorio, qué convenciones debe respetar, cómo ejecutar las pruebas y qué condiciones debe cumplir el resultado.
Cuanto más clara sea esa información, mejores serán las condiciones para que el agente pueda trabajar de forma consistente.
Cómo intervienen los AI Coding Agents en el SDLC
El alcance de estos agentes puede analizarse a través del Software Development Lifecycle (SDLC). No todas sus etapas ofrecen las mismas oportunidades de automatización ni requieren el mismo nivel de supervisión.
Durante la planificación, un agente puede analizar requisitos, issues existentes y componentes del repositorio para identificar qué partes del sistema están relacionadas con una tarea.
En desarrollo puede implementar funcionalidades, corregir errores o realizar refactors. La IA deja entonces de producir únicamente fragmentos aislados y empieza a trabajar sobre cambios que pueden afectar diferentes archivos y dependencias.
La revisión de código también puede incorporar agentes capaces de analizar pull requests, detectar determinados problemas y proponer modificaciones. El testing amplía todavía más el ciclo. Un agente puede crear pruebas, ejecutarlas después de modificar el código y utilizar los resultados para corregir una implementación antes de presentarla al desarrollador.
La autonomía puede crecer a medida que estas capacidades se conectan con los procesos de integración y entrega. Por eso, el análisis empresarial debe considerar tanto lo que un agente puede hacer técnicamente como el nivel de acceso que necesita para hacerlo.
| Fase del SDLC | Qué puede hacer el agente | Riesgo que debe controlarse | Control recomendado |
|---|---|---|---|
| Planificación | Analizar requisitos, issues y repositorio | Interpretar incorrectamente el objetivo | Criterios de aceptación claros |
| Desarrollo | Crear y modificar código | Introducir errores o cambios incompatibles | Revisión y protección de branches |
| Code review | Analizar cambios y proponer correcciones | Omitir problemas relevantes | Revisión según criticidad |
| Testing | Crear y ejecutar pruebas | Validar código con pruebas insuficientes | Estrategia de testing y criterios de calidad |
| CI/CD | Interactuar con workflows automatizados | Ejecutar acciones no autorizadas | Permisos y entornos restringidos |
| Deployment | Participar en procesos de entrega | Introducir cambios no validados en producción | Aprobaciones y separación de permisos |
La autonomía puede configurarse de forma gradual. Una empresa puede permitir que un agente modifique código y ejecute tests sin concederle capacidad para aprobar o desplegar esos cambios.
Los AI Coding Agents pueden acelerar el desarrollo sin acelerar todo el sistema
Una mayor capacidad para producir cambios no implica que todo el proceso de software avance a la misma velocidad.
El informe DORA 2025 State of AI-assisted Software Development, elaborado a partir de las respuestas de casi 5.000 profesionales tecnológicos, encontró una relación positiva entre la adopción de IA, el throughput del software y el rendimiento del producto. Al mismo tiempo, el estudio observó que una mayor adopción de IA seguía asociándose negativamente con la estabilidad del software delivery.
Si los AI Coding Agents permiten implementar cambios con mayor rapidez, el resto del ciclo de desarrollo debe ser capaz de procesarlos al mismo ritmo. El aumento de productividad durante la programación puede generar más pull requests, más código pendiente de revisión y una mayor demanda sobre testing e integración.
En equipos donde estos procesos no tienen suficiente capacidad, acelerar la generación de código no necesariamente mejora la entrega de software. El cuello de botella puede desplazarse hacia code review, QA o CI/CD, e incluso aumentar el volumen de cambios que llegan a estas etapas sin una validación suficiente.
Por este motivo, el impacto de los AI Coding Agents debe evaluarse sobre el flujo completo de desarrollo. Además de las tareas completadas, conviene observar tiempos de revisión, defectos detectados, estabilidad de los despliegues y capacidad del equipo para llevar los cambios hasta producción
El testing gana importancia con los AI Coding Agents
El testing adquiere una función especialmente relevante cuando un agente puede modificar código y comprobar después el resultado de sus propios cambios.
Un sistema de pruebas fiable proporciona feedback sobre la implementación. Si una modificación provoca un fallo, el agente puede utilizar ese resultado para revisar su trabajo antes de presentarlo al desarrollador.
Sin embargo, ejecutar pruebas no garantiza por sí mismo que el cambio sea correcto.
Una suite puede tener poca cobertura sobre comportamientos críticos, contener tests inestables o no representar adecuadamente los requisitos del producto. En esas condiciones, un agente puede superar las comprobaciones disponibles sin haber resuelto correctamente el problema.
La adopción de coding agents aumenta así el valor de una estrategia de QA bien definida. Los QA Engineers pueden contribuir a establecer qué debe comprobarse automáticamente, qué escenarios necesitan validaciones adicionales y qué condiciones debe cumplir un cambio antes de continuar por el pipeline.
Cuanto mayor sea la autonomía del agente, más importante resulta la calidad del sistema utilizado para validar su trabajo.
La arquitectura condiciona la autonomía de los AI Coding Agents
Los agentes trabajan sobre sistemas que ya tienen dependencias, convenciones y decisiones arquitectónicas. La capacidad de modificar código correctamente depende en parte de que esas relaciones puedan identificarse.
Un repositorio con módulos bien delimitados, documentación técnica actualizada y criterios consistentes ofrece un contexto diferente a otro donde las dependencias son difíciles de seguir y una modificación puede afectar componentes aparentemente independientes.
Por eso, incorporar agentes no elimina la necesidad de mantener una arquitectura comprensible. Puede aumentar su importancia.
Cuanto mayor sea la autonomía del agente, más necesario resulta que la arquitectura de software establezca límites claros entre componentes, dependencias y responsabilidades.
Este aspecto también condiciona qué tareas conviene delegar. Una corrección localizada y respaldada por pruebas automatizadas ofrece un escenario distinto a una modificación transversal que afecta la lógica de negocio, la persistencia y las integraciones externas.
La empresa puede utilizar esas diferencias para establecer distintos niveles de autonomía según el tipo de cambio.
Qué debe controlar una empresa al utilizar AI Coding Agents
El nivel de acceso debería responder a las tareas que el agente necesita ejecutar.
Un sistema que analiza un repositorio requiere permisos diferentes a los de otro que puede modificar código o ejecutar herramientas. La capacidad de interactuar con servicios adicionales introduce nuevas necesidades de control.
En la práctica, existen varios elementos que conviene gestionar de forma explícita.
- Acceso al repositorio. El agente debería trabajar únicamente con los repositorios y recursos necesarios.
- Permisos de ejecución. Los comandos y herramientas disponibles deben corresponder al trabajo que se espera del agente.
- Protección de credenciales. Secrets, tokens y claves requieren controles que eviten accesos innecesarios.
- Revisión de cambios. El código producido por un agente debe integrarse en los procesos de revisión establecidos por el equipo.
- Validación automática. Tests y controles de calidad deben ejecutarse antes de avanzar hacia etapas posteriores.
- Trazabilidad. El equipo necesita poder identificar las acciones realizadas y los cambios producidos.
- Acceso a producción. La capacidad para desarrollar una solución no implica que el agente necesite permisos para desplegarla.
Estos controles tampoco tienen que ser idénticos para cualquier tarea. Una modificación de documentación, una actualización localizada del código y un cambio relacionado con infraestructura no presentan las mismas implicaciones.
La autonomía puede ampliarse cuando el entorno proporciona suficientes mecanismos para comprobar el trabajo realizado.
Los AI Coding Agents también cambian el trabajo de los desarrolladores
La automatización de más etapas del SDLC modifica parte del trabajo de los perfiles técnicos.
Los desarrolladores siguen necesitando comprender el producto, evaluar implementaciones y resolver problemas complejos. Sin embargo, algunas tareas de ejecución pueden desplazarse hacia los agentes, mientras aumenta el peso de otras capacidades relacionadas con la definición del trabajo y su validación.
Los desarrolladores backend, por ejemplo, siguen necesitando evaluar la lógica de negocio, las integraciones y el comportamiento de los cambios que afectan a servicios y APIs, aunque parte de la implementación pueda delegarse.
Algo similar ocurre con arquitectura y QA. La generación automática de cambios no sustituye las decisiones sobre cómo debe evolucionar un sistema ni determina por sí sola si una implementación cumple los requisitos. El trabajo humano se desplaza parcialmente hacia la definición de objetivos, revisión de resultados y resolución de decisiones que requieren contexto técnico o de negocio.
Esto también cambia la forma de entender la productividad. Completar una tarea con menos intervención manual puede ser útil, pero el resultado continúa necesitando encajar en un sistema mantenible y en un proceso de desarrollo que pueda validarlo.
CI/CD y DevOps determinan hasta dónde puede llegar un AI Coding Agent
La conexión entre los agentes y CI/CD introduce una diferencia importante respecto a la generación de código aislada.
Modificar archivos dentro de un entorno de desarrollo tiene un alcance limitado. Integrar esos cambios, ejecutar pipelines o intervenir en procesos de entrega acerca al agente progresivamente a sistemas con mayor impacto operativo.
Los DevOps Engineers intervienen en los permisos, pipelines y entornos que determinan hasta dónde pueden actuar los agentes dentro del proceso de integración y entrega.
La separación entre desarrollo, validación y producción permite mantener distintos niveles de control. Un agente puede disponer de autonomía para trabajar dentro de un entorno aislado y ejecutar pruebas sin recibir automáticamente acceso a sistemas productivos.
Este enfoque permite ampliar las tareas delegadas sin convertir la autonomía técnica en acceso irrestricto. A medida que los AI Coding Agents asuman trabajos más amplios, esta separación será parte de la arquitectura necesaria para integrarlos de forma sostenible en los equipos de software.
Integrar AI Coding Agents exige revisar cómo se desarrolla software
Los AI Coding Agents amplían el alcance de la inteligencia artificial dentro del desarrollo porque pueden intervenir en tareas que atraviesan varias etapas del SDLC.
Su impacto no debería evaluarse únicamente por la cantidad de código que generan. Una empresa necesita observar cómo afectan al proceso completo, desde la definición de una tarea hasta su validación e integración.
Testing, arquitectura, permisos, revisión y CI/CD adquieren mayor peso a medida que aumenta la autonomía. Si estos elementos funcionan correctamente, los agentes pueden asumir una parte mayor del trabajo operativo manteniendo controles sobre la calidad del software.
La evolución hacia un desarrollo con mayor participación de agentes no elimina el papel de los equipos técnicos. Cambia la distribución del trabajo entre ejecución, supervisión y decisión.
Para una empresa, contratar AI Coding Agents implica definir qué trabajo puede delegarse, qué condiciones debe cumplir el resultado y qué decisiones deben permanecer bajo control humano.
