← Blog

Agentes de IA

Agentes de IA para programar: dales la periferia, deja el núcleo a las personas

Los agentes de IA para programar brillan en unas tareas y son peligrosos en otras. Dales la periferia y deja el núcleo a las personas: aquí va dónde se ganan su sitio y dónde no.

Un agente de IA puede encontrar la causa de un bug en un código que nadie ha tocado en un año y, esa misma tarde, colar con total aplomo otro que tumba el checkout, si le dejas acercarse al núcleo. La distancia entre esos dos momentos es la misma a cualquier escala. Un fundador en solitario puede permitirse esa distancia; dentro de una empresa, lo decide todo.

Para un fundador, casi todo esto ya está resuelto. Durante el último año he visto a personas sin una formación seria en ingeniería construir y hacer crecer productos reales por su cuenta: un CRM para una escuela presencial, una herramienta para analistas de negocio, automatización de marketing para su propio uso. El coste de entrada para construir se ha desplomado; puedes montar en una tarde la recogida de métricas desde Jira y GitLab.

Los problemas siguen ahí: los agentes pierden el contexto, generan código extraño y algunos proyectos acaban en el caos. Tiene solución, y es buena parte de mi trabajo; sobre cómo rescatar un proyecto así escribí aparte. Esa es la versión del fundador. El problema más difícil y menos explorado está un nivel más arriba, dentro de una empresa, y de eso trata este artículo.

Dentro de una empresa, el verdadero obstáculo está fuera del agente

A escala de empresa, el agente es igual de capaz; lo difícil es conseguir permiso para usarlo. En las startups la IA ya es una herramienta estándar; dentro de una empresa, su adopción se queda semanas atascada en aprobaciones: revisiones de seguridad, qué datos pueden llegar al modelo, quién es responsable de la plataforma, cómo se gobiernan los agentes.

La idea que lo desbloquea: nada tiene que salir del edificio. Puedes tener una API compatible con OpenAI funcionando por completo dentro de tu propio perímetro: un modelo de código abierto como Qwen servido con LiteLLM y vLLM, accesible solo a través de la VPN corporativa, con un agente como Opencode o Hermes integrado en el IDE y servidores MCP que lo conectan con Jira, GitLab, Confluence y el resto de tus herramientas internas. Funciona con las credenciales del propio desarrollador, solo toca lo que ese desarrollador ya puede tocar y registra cada acción para auditoría. La seguridad deja de ser el obstáculo. Montar todo el stack es un tema aparte, pero ya no es la barrera que era hace un año.

IA corporativa dentro del perímetro de la empresa: el IDE del desarrollador alimenta a un agente de IA, que se conecta a una API compatible con OpenAI y a un modelo de código abierto autoalojado, todo ello enlazado con sistemas internos como GitLab, Jira, Confluence y Grafana, sin APIs externas, sin privilegios adicionales y con un registro de auditoría completo.
Dentro del perímetro: el agente funciona en infraestructura interna, con los accesos del propio desarrollador y un registro de auditoría completo. Nada sale de la empresa.

Una vez dentro, ya sea en manos de un fundador o en la VPN corporativa, la pregunta es la misma: ¿qué le das exactamente?

En qué son buenos los agentes de IA para programar

Conectado a tu código, tu documentación, tus tareas, tus tests, tus logs y tus métricas, ya sea Cursor, Claude Code o un agente interno autoalojado, empieza a entender tu proyecto. Aquí es donde se gana su sitio.

  • Ponerse al día con código desconocido — investigar código que nunca has tocado, encontrar la causa de un bug en una funcionalidad de la que no sabes nada, responder la pregunta de un analista sobre una función de la que nunca habías oído hablar.
  • Apoyo al desarrollo — las herramientas y automatizaciones para las que nunca había tiempo: recogida de métricas, exportación de datos desde Jira y GitLab, skills para agentes que cubren trabajo repetitivo, como las integraciones estándar. Queda fuera el producto principal, donde la calidad del código es crítica.
  • Artefactos alrededor del código — documentación, diagramas UML, tests automáticos, casos de TestRail, presentaciones.
  • Revisiones — de código, de requisitos y de especificaciones. Por ahora, mitad y mitad: a veces puro ruido, a veces un hallazgo realmente útil.

Lo que no debe quedar en manos de un agente de IA

El desarrollo de principio a fin de cualquier cosa importante. Dinero, blockchain, sistemas de alta carga, la arquitectura central: cualquier sitio donde un error es fácil de cometer y caro de deshacer. En una startup, encargar una función entera al agente ya funciona en parte; en producción, con tráfico real y dinero real en juego, todavía no es buena idea. ¿Acelera el trabajo? Sí. ¿Sustituye a un desarrollador senior? No.

La regla de la periferia y el núcleo

El patrón es sencillo. El agente cubre la periferia del desarrollo: la rutina, las tareas de apoyo, moverse por código desconocido, los artefactos; todo lo que tiene mucho volumen y un coste de error relativamente bajo. El núcleo, donde un error se mide en dinero y en usuarios, se queda en manos de personas.

Diagrama radial: en el centro, un núcleo a cargo de personas con la etiqueta «engineering decisions» (decisiones de ingeniería), rodeado de la periferia que cubre un agente de IA: depuración, documentación, tests, revisiones, requisitos, integraciones estándar, automatización y presentaciones.
El agente trabaja en la periferia; el núcleo humano es la decisión de ingeniería.

Los ingenieros pasaban horas buscando información y peleándose con la rutina. Ahora lo principal de su trabajo es tomar la decisión de ingeniería correcta.

Preguntas frecuentes

¿Hay que entrenar o ajustar los agentes de IA con nuestro código?

No. Funcionan leyendo en el momento tu código, tu documentación, tus tareas y tus logs; nadie los reentrena. Por eso configurar bien los accesos importa mucho más que ajustar cualquier modelo.

¿Nos conviene un servicio de IA en la nube o un modelo autoalojado?

Las startups suelen empezar con un servicio en la nube; las empresas reguladas o con requisitos de seguridad estrictos alojan cada vez más un modelo de código abierto en su propia infraestructura, para que los datos no salgan nunca de su perímetro. Ganas control y privacidad a cambio del esfuerzo de mantener todo el stack tú mismo.

¿Qué diferencia a un agente de IA para programar de un chatbot?

El acceso. Un chatbot responde con conocimiento general; un agente conectado a tu código, tu documentación, tus tareas y tus logs actúa dentro de tu proyecto real. Justo por eso importa tanto la frontera entre lo que debe tocar y lo que no.

¿Un fundador sin perfil técnico puede lanzar un producto con agentes de IA?

Sí. El límite ya está en saber qué construir y en mantener el código manejable a medida que crece; construir ha dejado de serlo. Hay fundadores que lanzan productos reales así; cuando fracasan, es por una estructura descuidada: código suele haber de sobra.