¿Qué es la revisión de código con IA?
Última actualización
La revisión de código con IA usa un modelo de lenguaje para leer un cambio de código y señalar errores, riesgos y carencias. Qué detecta, qué se le escapa y cómo convertirla en un control.
En esta página
- Cómo funciona la revisión de código con IA
- En qué es buena la revisión con IA y dónde falla
- Revisión de código con IA frente a revisión humana
- Revisar código que escribió una IA
- Convertir la salida de la revisión en una decisión
- Cómo implantar la revisión de código con IA
- Cómo lo hace AI CodeOps
- Para profundizar
La revisión de código con IA es el uso de un modelo de lenguaje grande para leer un cambio de código, normalmente el diff de un pull request, e informar de sus problemas: errores, riesgos de seguridad, pruebas que faltan y código difícil de mantener. Es rápida, se ejecuta en cada cambio y detecta una mezcla de problemas distinta de la que detectan las personas. Lee texto y no un sistema en ejecución, y puede equivocarse con total seguridad, así que funciona mejor como una primera pasada estructurada cuyos hallazgos alimentan un control y a un revisor humano, no como sustituto de ninguno de los dos.
Cómo funciona la revisión de código con IA
Un revisor con IA es un prompt, un modelo y algo de contexto. El contexto es lo que decide lo útil que es.
- El diff. Las líneas añadidas y eliminadas son la entrada principal. Un revisor que solo ve el diff no ve los efectos sobre el código que no tiene delante.
- El código de alrededor. Los mejores revisores incorporan los archivos que toca el cambio, quienes los llaman y las pruebas relacionadas, dentro de la ventana de contexto del modelo.
- La intención. El ticket, la descripción de la tarea o el texto del pull request le dicen al modelo qué debe hacer el cambio, para que pueda detectar código que hace otra cosa.
- Las convenciones. Las guías de estilo, las notas de arquitectura y las decisiones anteriores le permiten señalar desviaciones de cómo funciona normalmente la base de código.
La salida tiene dos formas generales. Algunas herramientas publican comentarios de texto libre en las líneas del pull request, como un revisor humano. Otras devuelven hallazgos estructurados: cada problema con un título, una gravedad, una categoría, un archivo y una línea, y una corrección recomendada. El texto libre se lee con agrado. Los hallazgos estructurados se pueden contar, filtrar, pasar por triaje y usar para tomar una decisión.
La revisión también varía según lo que puede hacer el revisor. Un único prompt sobre el diff es la forma más sencilla. Un revisor agéntico puede abrir más archivos, buscar en el repositorio o usar herramientas antes de responder. Una revisión de varias pasadas ejecuta varios prompts, por ejemplo uno para la corrección, otro para la seguridad y otro para la cobertura de pruebas, y después fusiona sus resultados.
En qué es buena la revisión con IA y dónde falla
La revisión con IA se gana su sitio por su constancia. Lee cada línea de cada cambio con la misma atención, incluida la línea 600 de una gran refactorización y el cambio que se sube al final de una jornada larga. Es buena detectando:
- errores de lógica locales: nulos sin comprobar, bucles con un desfase de uno, condiciones invertidas, errores sin gestionar y awaits que faltan;
- patrones de seguridad habituales: SQL o comandos de shell construidos con cadenas, falta de validación de entradas, secretos en el código, deserialización insegura y falta de comprobaciones de autorización en un endpoint nuevo;
- huecos entre el código y las pruebas, como una rama nueva sin ninguna prueba que la ejercite;
- problemas de nombres, duplicación y legibilidad que la gente deja de mencionar porque le parecen nimiedades.
Falla de formas predecibles:
- Sin contexto de negocio. No sabe que un campo es obligatorio por ley, que un cliente depende de un comportamiento extraño o que el equipo aceptó una compensación el trimestre pasado.
- Sin visión del tiempo de ejecución. Razona sobre texto. Las condiciones de carrera, el rendimiento con carga real y la configuración que solo existe en producción le resultan en su mayoría invisibles.
- Falsos positivos. Señala problemas que no existen, a veces con una explicación convincente. Los revisores que ven demasiados dejan de leer.
- No determinismo. El mismo diff puede producir hallazgos distintos en dos ejecuciones.
- Contexto limitado. Los efectos en muchos archivos, o en lo profundo de las dependencias, pueden quedar fuera de lo que se le dio.
- Entrada no fiable. El propio diff puede contener texto dirigido al modelo, como un comentario que le dice al revisor que el código es seguro. Eso es inyección de prompts, y un revisor debería estar construido para resistirla.
Revisión de código con IA frente a revisión humana
Las dos se complementan. Cada una cubre terreno que la otra maneja mal.
| Aspecto | Revisión de código con IA | Revisión humana |
|---|---|---|
| Velocidad | De segundos a minutos, en cada cambio | De horas a días, según la disponibilidad |
| Constancia | La misma profundidad en cada línea y en cada cambio | Varía con el cansancio, el tamaño del cambio y la familiaridad |
| Intención y contexto | Solo lo que hay en el prompt y en los archivos que se le dieron | Conoce el producto, a los usuarios y las decisiones pasadas |
| Criterio de diseño | Débil para juzgar si es el cambio adecuado | Fuerte, sobre todo en quienes son responsables de esa área |
| Conocimiento de ejecución | Ninguno más allá de lo que dice el código | Experiencia de cómo se comporta el sistema en producción |
| Falsos positivos | Frecuentes; necesitan triaje | Menos frecuentes, pero las opiniones difieren entre revisores |
| Responsabilidad | Ninguna; un modelo no puede hacerse cargo de una decisión | Una persona con nombre que aprobó el cambio |
| Conocimiento compartido | Poco; no aprende los hábitos de tu equipo | Difunde el conocimiento del código por todo el equipo |
Las dos últimas filas son las que más importan. La revisión es en parte una comprobación y en parte la forma en que un equipo mantiene la responsabilidad compartida de su código. La revisión con IA puede asumir buena parte de lo primero, pero no lo segundo.
Revisar código que escribió una IA
Cuando el autor es a su vez un agente de IA, la revisión se vuelve más importante y algo distinta.
El volumen aumenta. Los agentes producen código que funciona muy deprisa, y las personas no pueden leer cada línea de cada cambio con el mismo cuidado. La salida de la revisión tiene que priorizarse por gravedad, para que una persona pueda dedicar su atención a los pocos problemas que importan.
La independencia importa. Un modelo al que se le pide comprobar su propia salida tiende a repetir sus propias suposiciones. Una pasada de revisión aparte, con su propio prompt e idealmente ejecutada cuando el código ya existe y no sobre el plan, tiene más probabilidades de detectar lo que se le escapó al autor.
Lo que se revisa debería ser el diff real. En muchos flujos de trabajo con agentes, la planificación y la discusión ocurren antes de que se escriba el código. Revisar un plan es útil, pero no es una revisión del cambio. Los hallazgos que deciden si el código se entrega deberían salir de leer el código que se va a entregar.
Convertir la salida de la revisión en una decisión
Una lista de comentarios es un consejo. Para que la revisión con IA forme parte de cómo entregas, su salida tiene que impulsar una decisión, y eso necesita unas cuantas reglas:
- Hallazgos estructurados con un conjunto fijo de gravedades, como critical, high, medium, low e info, y categorías como security, quality o test coverage.
- Un umbral de bloqueo. Por ejemplo, los hallazgos abiertos de gravedad alta o crítica bloquean el cambio.
- Estados de triaje. Una persona puede marcar un hallazgo como corregido, no se corregirá, falso positivo o duplicado, y esa decisión se registra con su nombre.
- Fallar en cerrado. Si la revisión se bloqueó, agotó el tiempo o devolvió algo ilegible, el cambio no se ha revisado. Una revisión que falta nunca debe contar como una revisión limpia.
- Un registro. Qué hallazgos se plantearon, quién los descartó y por qué, guardado con el cambio.
Eso es lo que convierte la revisión en una de las entradas de un control de calidad.
Cómo implantar la revisión de código con IA
- Elige el alcance. Empieza por los repositorios o los tipos de cambio en los que un segundo lector aporta más, como los servicios que manejan dinero, autenticación o datos personales.
- Exige una salida estructurada. Pide hallazgos con gravedad, categoría, archivo y recomendación, en un formato que tus herramientas puedan analizar. Rechaza las respuestas que no se puedan analizar.
- Fija la gravedad que bloquea. Empieza siendo estricto solo con los hallazgos de gravedad alta y crítica. Baja el umbral más adelante si la tasa de falsos positivos lo permite.
- Define el triaje. Decide quién puede descartar un hallazgo y qué estados terminan con su efecto de bloqueo. Registra cada cambio de estado.
- Trata una revisión fallida como un bloqueo. Los timeouts, los errores del modelo y las respuestas ilegibles retienen el cambio hasta que la revisión se vuelve a ejecutar.
- Mantén una aprobación humana. La revisión con IA informa a la persona que aprueba. No la sustituye, y el autor de un cambio no debería aprobarlo solo.
- Mide y ajusta. Sigue cuántos hallazgos se corrigen y cuántos se descartan como falsos positivos. Ajusta los prompts, el contexto y los umbrales a partir de eso, no de impresiones.
- Guarda el registro. Almacena los hallazgos y las decisiones de triaje con el cambio, para que un auditor o un futuro responsable del código pueda ver por qué se entregó.
Cómo lo hace AI CodeOps
AI CodeOps revisa en dos capas cada cambio de código hecho por sus propias sesiones de IA. Los agentes de revisión del flujo de trabajo, como el Reviewer y el Security Auditor, miran el cambio desde ángulos distintos. Un paso de revisión que sigue al paso que implementa el cambio se ejecuta cuando el código ya está escrito y probado, y se le muestra el diff y el resultado de pruebas registrado. Después, una revisión de hallazgos aparte lee el mismo diff, con las notas de revisión anteriores como contexto. Solo esa segunda capa produce los hallazgos que pueden bloquear el cambio. Los pasos de un flujo de trabajo se ejecutan uno tras otro; nada se decide por votación.
La revisión de hallazgos debe responder con un array JSON, y cada elemento se convierte en un hallazgo:
[
{
"title": "Coupon code is passed to the pricing query without validation",
"severity": "high",
"category": "security",
"description": "applyCoupon() forwards the raw request value to the discount lookup.",
"recommendation": "Validate length and characters before the lookup and return 400 on a bad code.",
"filePath": "src/api/checkout.ts"
}
]
Una revisión registra como máximo 12 hallazgos. Un array vacío significa que no se encontró nada. Una respuesta que no es un array legible, una revisión que falla o una que se queda sin tiempo o sin presupuesto marca la ejecución como no revisada, y el cambio queda retenido hasta que se vuelva a ejecutar.
Los hallazgos abiertos de gravedad alta o crítica, en los estados open, acknowledged o in progress, bloquean el pull request y la fusión desde la consola. Marcar un hallazgo como fixed, won't fix, false positive o duplicate termina su bloqueo, y el triaje queda registrado. Después, una persona aprueba el cambio, y la persona que inició la sesión no puede dar ese voto mientras otra persona del espacio de trabajo pueda aprobar. Un job de CI puede preguntar al mismo control por un pull request con /api/release/check y poner blockingSeverity en medium para bloquear también con hallazgos de gravedad medium.
La revisión solo cubre los cambios hechos mediante sesiones de AI CodeOps, no todos los pull requests de tu repositorio. Consulta Revisión de código con IA para la visión general del producto, Revisiones multiagente para ver cómo encajan las pasadas y Controles de calidad para el triaje y el control completo.
Para profundizar
- Cómo gestionar los falsos positivos en la revisión de código con IA: por qué los revisores con IA señalan problemas que no existen y cómo pasar los hallazgos por triaje y ajustar el revisor sin ocultar errores reales.
- Cómo revisar código escrito por un agente de IA: qué leer antes del código, los errores que suelen cometer los agentes de programación y cómo mantener el sentido de las aprobaciones.
Preguntas frecuentes
¿Puede la revisión de código con IA sustituir a los revisores humanos?
No. Es una primera pasada rápida y constante, pero no conoce tu intención ni a tus usuarios, y puede equivocarse con total seguridad. Una persona debería seguir aprobando lo que se entrega.
¿Debería la revisión con IA bloquear una fusión?
Solo mediante reglas claras. Bloquea con hallazgos abiertos por encima de una gravedad fijada, deja que las personas pasen por triaje los falsos positivos y trata una revisión que no llegó a ejecutarse como un bloqueo, no como un control superado.
¿Por qué el mismo diff recibe comentarios distintos de la revisión con IA en ejecuciones distintas?
Los modelos de lenguaje no son del todo deterministas, y pequeños cambios en el contexto cambian lo que detectan. Una salida estructurada y un umbral de gravedad fijo hacen que sea más fácil actuar sobre el resultado.
¿Puede revisar el código el mismo modelo que lo escribió?
Puede, pero tiende a compartir sus propios puntos ciegos. Una pasada de revisión aparte sobre el diff real, con otro prompt u otro modelo, es más independiente que pedir al autor que se compruebe a sí mismo.
¿El código que se envía a un revisor con IA está a salvo de la inyección de prompts?
No automáticamente. Los comentarios, las cadenas y los documentos del diff son una entrada no fiable que puede intentar dirigir al modelo, así que el revisor no debería tener acceso de escritura y su veredicto debería alimentar un control que controle una persona.
Relacionado
- Revisión de código con IA que bloquea las malas fusiones
- Revisiones multiagente
- Controles de calidad
- Las mejores herramientas de revisión de código con IA en 2026: una comparativa honesta
- Alternativas a la revisión de código de Gemini Code Assist y cómo migrar
- ¿Qué son los controles de calidad?
- Todo el centro de aprendizaje