¿Cómo encajan los agentes de IA en el ciclo de vida del software?
Última actualización
Dónde ayudan los agentes de IA al planificar, desarrollar, revisar, probar, publicar y operar, cómo se reparten el trabajo los equipos multiagente y dónde debe seguir una persona en el bucle.
En esta página
Los agentes de IA encajan en el ciclo de vida del software como trabajadores dentro de cada etapa (planificar, desarrollar, revisar, probar, publicar y operar), mientras las personas conservan las decisiones que conllevan responsabilidad: qué construir, si un cambio es lo bastante bueno para entregarse y qué llega a producción. El patrón que funciona es que los agentes hagan tareas acotadas con herramientas limitadas, que haya comprobaciones independientes entre etapas y que una persona apruebe en puntos definidos. Los agentes aceleran el trabajo; no eliminan la necesidad de los controles que lo rodean.
Qué es un agente de IA
En la entrega de software, un agente de IA es un modelo de lenguaje al que se le da un objetivo, un conjunto de herramientas y un bucle. Lee la tarea, decide una acción (abrir un archivo, buscar en el código, escribir un cambio, ejecutar un comando), mira el resultado y decide la siguiente acción, hasta que considera cumplido el objetivo o alcanza un límite.
Ese bucle es lo que separa a un agente de un asistente. Un autocompletado sugiere las siguientes líneas. Un asistente de chat responde a una pregunta. Un agente actúa por su cuenta durante muchos pasos, y su salida es un resultado y no una sugerencia: un plan, un diff, un informe de pruebas, un pull request.
De ahí se siguen tres cosas:
- Los agentes necesitan límites. Tiempo, tokens, qué archivos y herramientas pueden usar, y qué acciones necesitan a una persona.
- Los agentes necesitan evidencias, no confianza. Un agente informará de un éxito que no ha verificado. Resultados como las ejecuciones de pruebas deben salir de ejecutar las cosas de verdad.
- Los agentes necesitan un registro. Cuando un cambio lo hizo un bucle de llamadas a un modelo, la única forma de entenderlo después es un registro de qué se pidió, qué se hizo y quién lo aprobó.
Los agentes de IA a lo largo del ciclo de vida
Los agentes pueden ayudar en todas las etapas. Lo que cambia es lo que producen y lo que debe conservar una persona.
| Etapa | Lo que los agentes hacen bien | Lo que conservan las personas |
|---|---|---|
| Planificar | Leer la base de código, redactar requisitos, proponer diseños, escribir registros de decisión | Elegir qué construir y aceptar el diseño |
| Desarrollar | Escribir el cambio, incluidas las pruebas y la documentación | La definición de la tarea y el alcance del cambio |
| Revisar | Leer el diff en busca de errores, riesgos de seguridad y pruebas que faltan | Juzgar la intención y el diseño, pasar los hallazgos por triaje |
| Probar | Planificar casos de prueba, escribir pruebas, interpretar fallos | Decidir si un resultado omitido o inestable es aceptable |
| Publicar | Comprobar si está listo, resumir qué cambió, preparar las notas de la versión | Aprobar la fusión y el despliegue a producción |
| Operar | Hacer el triaje de alertas, sugerir causas raíz, proponer una corrección | Declarar y cerrar incidentes, la comunicación con los clientes |
La columna de la derecha no es una lista de tareas que los agentes no puedan intentar. Es donde una decisión necesita a alguien a quien se pueda pedir cuentas por ella.
Un solo agente frente a desarrollo multiagente
Un único agente generalista puede planificar, escribir y probar un cambio por sí solo. El desarrollo multiagente reparte el trabajo entre agentes con roles e instrucciones distintos, que se ejecutan en un orden fijo o los coordina otro agente.
| Aspecto | Un solo agente | Multiagente |
|---|---|---|
| Estructura | Un bucle lo hace todo | Roles como planificador, desarrollador, revisor, tester |
| Comprobación | El agente juzga su propio trabajo | La salida de un agente la revisa otro |
| Contexto | Una ventana de contexto lo contiene todo | Cada rol recibe el contexto que necesita |
| Costo | Menor por tarea | Mayor: más llamadas al modelo, contexto repetido |
| Modos de fallo | Los puntos ciegos no se cuestionan | Errores de coordinación; agentes con el mismo modelo pueden coincidir en el mismo error |
| Trazabilidad | Una sola transcripción larga | Un paso por rol, más fácil de auditar |
Los patrones multiagente habituales son un pipeline (planificar, desarrollar, revisar y probar en orden), las perspectivas paralelas (varios revisores miran el mismo cambio desde ángulos distintos y después uno fusiona sus hallazgos) y el debate (dos agentes proponen enfoques y un tercero los critica). Ejecutar los agentes estrictamente uno tras otro es más fácil de razonar, porque cada paso puede leer todo lo anterior.
El valor de los agentes adicionales viene de la independencia. Un revisor que usa un prompt distinto, ve el diff real y no tiene que defender su propio trabajo tiene más probabilidades de detectar problemas que el autor releyéndose a sí mismo.
Humano en el bucle
«Humano en el bucle» (human in the loop) significa que el trabajo del agente no tiene efecto hasta que una persona lo aprueba. Es distinto de «humano sobre el bucle» (human on the loop), en el que los agentes actúan y una persona supervisa y puede intervenir, y de la autonomía total, en la que nadie mira.
En el código, los momentos irreversibles o de gran impacto son los que necesitan a una persona: fusionar en la rama principal, desplegar a producción, cambiar la infraestructura o el control de acceso, y cualquier cosa que envíe datos fuera de la organización. El resto se puede automatizar siempre que los controles estén en su sitio.
Dos aspectos prácticos deciden si la revisión humana es real o un trámite:
- Separación de funciones. La persona que pidió un cambio no debería ser la única que lo aprueba cuando otra persona puede revisarlo. Si no, la aprobación es el autor dándose la razón a sí mismo.
- El aprobador necesita evidencias. Un diff, los resultados de las pruebas, los hallazgos de revisión abiertos y las decisiones de política, en un solo lugar. Pedir a una persona que apruebe un cambio grande sin contexto produce aprobaciones automáticas.
La fatiga de aprobación es un riesgo real. Si cada cambio trivial necesita a una persona, la gente aprueba sin leer. Usa políticas para decidir qué cambios necesitan más atención, y deja que los controles automáticos se encarguen del resto.
DevOps agéntico
El DevOps agéntico es el uso de agentes en el trabajo de entrega y de operaciones: cambiar pipelines y código de infraestructura, actualizar dependencias, hacer el triaje de incidentes y proponer correcciones. Estas tareas tocan sistemas con más alcance que un cambio en una aplicación, así que los controles importan más:
- Mínimo privilegio. Un agente recibe solo las herramientas y las rutas que necesita su tarea. Las credenciales se quedan en los jobs de build, no en el contexto del agente.
- Aislamiento. El código que escribió un agente se ejecuta en un sandbox, no en un servidor compartido ni en el portátil de un desarrollador.
- Política como código. Las reglas deciden qué pueden hacer los agentes por su cuenta, qué necesita aprobación y qué está prohibido, por ejemplo cualquier cambio bajo
infra/**. - Los mismos controles. El cambio de pipeline de un agente pasa por pruebas, revisión y aprobación como cualquier otro cambio.
- Métricas de resultados. Medidas de entrega como la frecuencia de despliegue, el tiempo de entrega de los cambios, la tasa de fallos de cambios y el tiempo de recuperación te dicen si los agentes están ayudando mejor que los recuentos de líneas escritas.
Cómo introducir agentes de IA en tu proceso de entrega
- Empieza con tareas acotadas. Elige trabajo con una definición clara de «terminado» y buenas pruebas, como funcionalidades pequeñas, correcciones de errores con una reproducción o actualizaciones de dependencias.
- Define los roles. Decide qué agentes planifican, desarrollan, revisan y prueban, y qué puede leer y usar cada uno.
- Pon controles entre etapas. Pruebas sobre el cambio exacto, una revisión del diff real y un umbral de gravedad que bloquee. Consulta ¿Qué son los controles de calidad?
- Coloca las aprobaciones humanas. Como mínimo antes de fusionar, y antes de producción para todo lo arriesgado. Mantén separados al autor y al aprobador donde el equipo lo permita.
- Escribe la política. Qué flujos de trabajo pueden empezar sin aprobación, qué rutas necesitan una revisión, qué herramientas y despliegues están vetados.
- Limita el tiempo y el gasto. Los agentes trabajan en bucle. Fija límites por ejecución y por periodo. Consulta ¿Cuánto cuesta programar con IA?
- Guarda un registro. Para cada cambio: la tarea, los agentes y los modelos, los hallazgos, las pruebas, las aprobaciones y la entrega.
- Mide los resultados. Compara el tiempo de entrega y la tasa de fallos de cambios antes y después, y amplía el alcance solo cuando las cifras lo respalden.
Cómo lo hace AI CodeOps
AI CodeOps ejecuta agentes de IA a lo largo del ciclo de vida en el navegador. Cada sesión ejecuta uno de los 16 flujos de trabajo integrados, cada uno una lista fija de pasos que ejecutan uno tras otro agentes como el Architect, el Builder, el Reviewer y el Tester. El predeterminado, Plan, Build, Review & Test, ejecuta esos cuatro en orden; otros cubren cambios sensibles para la seguridad, la preparación de publicaciones, la actualización de dependencias y la respuesta a incidentes. Cada paso ve lo que escribieron los anteriores. Los flujos de trabajo etiquetados como parallel, debate o swarm describen cómo se reparten el trabajo los pasos, no que se ejecuten a la vez.
Después del paso que implementa el cambio, el cambio se escribe sobre una copia nueva del repositorio y tus propias pruebas se ejecutan en un sandbox sin conexión. Los pasos que comprueban el trabajo, como Review y Test, se ejecutan después, sobre el cambio escrito y el resultado de pruebas registrado. A continuación, una revisión aparte lee el diff y registra hallazgos. Después aprueba una persona. La persona que inició la sesión no puede dar el voto de aprobación mientras otra persona del espacio de trabajo pueda aprobar; un espacio de trabajo de una sola persona puede aprobar su propio cambio. Solo entonces se abre el pull request.
Una política del espacio de trabajo decide qué pueden hacer las sesiones sin una persona. Este ejemplo retiene las actualizaciones de dependencias hasta que se aprueben antes de empezar, pide una revisión de los cambios de infraestructura, bloquea los despliegues automáticos a producción y mantiene una herramienta MCP lejos de los agentes:
[
{
"id": "approve-dependency-refresh",
"action": "workflow.dispatch",
"resource": "dependency-refresh",
"decision": "ask",
"description": "A person approves before a dependency upgrade session starts"
},
{ "id": "review-infra-changes", "action": "diff.apply", "resource": "infra/**", "decision": "ask" },
{ "id": "no-production-deploys", "action": "release.deploy", "resource": "production", "decision": "deny" },
{ "id": "no-repo-deletes", "action": "mcp.invoke", "resource": "github/delete_*", "decision": "deny" }
]
Gana la regla coincidente más estricta, y se registra cada decisión que no sea un simple allow. Cada cambio se puede descargar como un paquete de evidencias firmado que enumera la tarea, los modelos, los pasos, los hallazgos, las pruebas, las aprobaciones y la entrega.
Consulta Planificación con IA para la etapa de planificación, Flujos de trabajo para cada flujo de trabajo integrado, Cómo funciona AI CodeOps para una sesión de principio a fin y Aprobaciones y políticas para las reglas.
Para profundizar
- Dónde poner las aprobaciones humanas en un flujo de trabajo de programación con IA: qué decisiones necesitan a una persona, la separación de funciones cuando un agente escribe el código y cómo evitar la fatiga de aprobación.
- Patrones multiagente para la entrega de software: pipelines, revisiones paralelas, debate, orquestadores y bucles de verificación, y cómo falla cada uno.
Preguntas frecuentes
¿Qué diferencia hay entre un asistente de programación con IA y un agente de IA?
Un asistente responde o completa código cuando se lo pides. A un agente se le da un objetivo y trabaja hacia él en un bucle, eligiendo acciones como leer archivos, editar código o usar herramientas, hasta que decide que ha terminado.
¿Qué es el desarrollo multiagente?
Repartir una tarea entre varios agentes con roles distintos, como un planificador, un desarrollador, un revisor y un tester, cada uno con sus propias instrucciones, de modo que el trabajo se divide y la salida de un agente la comprueba otro.
¿Qué significa humano en el bucle en la programación con IA?
Una persona debe aprobar en puntos definidos antes de que el trabajo del agente tenga efecto, normalmente antes de que un cambio se fusione o se despliegue. El agente propone; una persona decide.
¿Qué es el DevOps agéntico?
Usar agentes de IA en el trabajo de entrega y de operaciones, como cambios de pipelines, actualizaciones de dependencias y respuesta a incidentes, con los mismos controles que los cambios humanos: mínimo privilegio, controles de calidad, aprobaciones y un registro de auditoría.
¿Más agentes significan mejores resultados?
No automáticamente. Los agentes adicionales añaden costo y coordinación, y los agentes basados en el mismo modelo pueden compartir los mismos errores. Añade un rol cuando compruebe algo que los demás no comprueban.