Entender cómo la IA impacta en las distintas etapas del desarrollo y en qué momentos del ciclo de vida aporta más valor cada modo de trabajo es lo que permite integrar estas capacidades dentro de una organización de forma escalable. Todo esto se debe abordar manteniendo la flexibilidad necesaria ante un ecosistema de herramientas que evoluciona casi semanalmente, con plataformas que se ponen de moda o quedan obsoletas con pocos meses de diferencia.
Un error común es pensar que el éxito al usar agentes depende exclusivamente del modelo de LLM seleccionado como base. En realidad, la clave reside en lo que llamamos el harness (o arnés) del agente: el conjunto de herramientas, metodologías y contextos que le dan poder al modelo, ya que por sí solo no resulta efectivo.
Para que generen el resultado esperado, en Baufest guiamos a los agentes tal como lo haríamos con un desarrollador junior. Esto implica nutrirlos con documentación, reglas, ejemplos de código y skills específicas de nuestros equipos. Además, implementamos prácticas de prealimentación (feedforward) y retroalimentación para generar un ciclo de aprendizaje positivo, permitiendo que el agente adopte nuestros métodos e intenciones para ajustarse con precisión a los procesos de cada proyecto.
Bajo este enfoque metodológico, es fundamental proveer a los agentes las herramientas necesarias para validar su trabajo de forma autónoma, tales como tests unitarios, análisis estático, linting y revisiones de código. De esta manera, los agentes pueden iterar de forma autónoma hasta llegar a un resultado que cumpla con los estándares del proyecto.
Al ubicar estas validaciones más temprano en el ciclo de vida del desarrollo de software (antes de la integración o el commit), logramos detectar errores de forma más rápida y económica. En la actualidad, el verdadero cuello de botella ya no es la generación de código, tarea de la que ya se encarga el agente entrenado, sino su verificación. Automatizar estos controles de calidad es la única estrategia viable para no saturar a los ingenieros senior con revisiones manuales interminables.
Por supuesto, el gobierno de estas tecnologías va más allá de la simple asignación de licencias. Es necesario entender para qué se usará cada herramienta, evaluando tanto su impacto en la productividad como su influencia en la ecuación económica, dado que los costos de la IA están aumentando. Esto nos obliga a entender la utilidad de cada modelo para saber cuándo usar cada uno. Por ejemplo, podemos reservar los modelos más potentes y costosos, como Opus, para tareas de alta complejidad como la planificación inicial, la resolución de errores críticos o el razonamiento lógico profundo. Por el contrario, para iteraciones rápidas, refactorizaciones menores o tareas donde el contexto previo ya guía a la IA con precisión, un modelo más económico como Sonnet es más que suficiente.
Finalmente, para obtener resultados reales, la IA agéntica debe aplicarse en todo el ciclo de vida de desarrollo de software (SDLC) y no limitarse a la fase de construcción. Esto abarca desde la definición de problemas y requisitos hasta la actualización o mantenimiento de sistemas legacy. También es importante contar con métricas confiables para medir la productividad del equipo de punta a punta, y no quedarse sólo con sensaciones.
Aunque los desarrolladores sientan que son más rápidos y productivos al usar agentes para crear software, si los procesos de revisión y despliegue no están optimizados para el volumen de código que genera la IA, se creará un cuello de botella. En este nuevo escenario, el rol del ingeniero senior evoluciona, y a su función como programador debe sumarse la de entrenador, arquitecto y auditor de la IA, liderando un ciclo virtuoso de productividad con el control de calidad como consigna de mejora permanente.
