¿Qué es la ingeniería agéntica?

Con el rápido crecimiento de la inteligencia artificial (IA) y los agentes de IA, el uso de la IA generativa para crear software se convirtió en una parte predeterminada del flujo de trabajo estándar del desarrollo de software. En 2025 Developer Survey de Stack Overflow de Stack Overflow, se encontró que el 84 % de los encuestados utiliza o tiene la intención de usar programación asistida por IA en su proceso de desarrollo.¹

Sin embargo, la encuesta también muestra que más desarrolladores desconfían de la precisión de las herramientas de IA que dependen de ellos: el 46 % expresa escepticismo en comparación con el 33 % que se siente seguro de los resultados.

Solo una pequeña parte (3 %) dice que “confía mucho” en el resultado generado por la IA. Los desarrolladores experimentados se muestran especialmente cautelosos, registrando la tasa más baja de “alta confianza” (2.6 %) y la tasa más alta de “alta desconfianza” (20 %).¹ Este patrón destaca una expectativa amplia de que la supervisión humana sigue siendo esencial, particularmente para los puestos con responsabilidad significativa.

En la práctica, los desarrolladores utilizan la IA para tareas que consumen mucho tiempo, pero que tienen un riesgo relativamente bajo cuando son guiados por un revisor humano experimentado. Esta acción incluye tareas como la refactorización de código, la generación de código repetitivo y pruebas, las revisiones ligeras, la redacción de documentación, el andamiaje de API y otras tareas de bajo riesgo.

Para recapitular, el vibe coding permite a los desarrolladores automatizar y crear prototipos rápidamente con algunas instrucciones en lenguaje natural utilizando modelos de lenguaje grandes (LLM) o sistemas agénticos.

La palabra “vibe” en el término “vibe coding” tiene una connotación casual e improvisada. Aunque este enfoque se adaptaba bien a la fase inicial y exploratoria de la programación asistida por IA, choca con la realidad actual del escepticismo de los desarrolladores hacia los agentes de programación de IA.

Sin la experiencia adecuada en el uso de LLM con fines de ingeniería de software, el vibe coding puede producir lo que se denomina “contenido basura de IA”, código que no es útil o rompe el código existente. Este tipo de código defectuoso suele aumentar la deuda técnica de los equipos de ingeniería, que dedican gran parte de su tiempo a comprender, depurar y refactorizar el código.

Alternativamente, Karpathy detalla el término “ingeniería agéntica” en X de una manera diferente:

• “Agéntica”: una orquestación de agentes escribe el código, y el desarrollador humano supervisa y valida el resultado. A medida que el agente o el sistema multiagente itera a través de las subtareas, mantenemos la intervención humana en el proceso.
• “Ingeniería”: se requiere un nivel de experiencia para utilizar flujos de trabajo con agentes para una producción de código significativa que no ponga en peligro la calidad del código. Esta habilidad es algo que se puede desarrollar y mejorar.

La ingeniería agéntica nos permite alejarnos de la lógica determinista hacia el territorio matizado del juicio probabilístico. Por lo tanto, requiere un cambio fundamental en la forma en que las organizaciones piensan y cómo operan los equipos de ingeniería.

Este proceso comienza con el establecimiento de infraestructuras de gobernanza claras que definen cuándo y cómo deben usarse los flujos de trabajo con agentes, asegurando que la supervisión humana siga siendo fundamental para el control de calidad. Los equipos de ingeniería deben recibir capacitación no solo en instrucciones, sino también en diseño de sistemas. Es crítico aprender a orquestar agentes autónomos, validar sus resultados e integrar ciclos iterativos de revisión en los pipelines existentes de CI/CD.

Los sistemas agénticos bien diseñados dividen las tareas en módulos más pequeños, lo que permite a los agentes generar componentes autónomos en tiempo real que se integran limpiamente en el código base existente sin aumentar la deuda técnica. Muchas organizaciones también están adoptando arquitecturas basadas en RAG, para que los agentes puedan basar sus resultados en documentación real, especificaciones y repositorios de código, reduciendo las alucinaciones y mejorando la precisión.

Las organizaciones también pueden desarrollar playbooks internos que estandarizan los patrones para el uso seguro de los agentes, incluidos los requisitos de revisión de código, las expectativas de prueba y las configuraciones de barrera. Proporcionar a los ingenieros ejemplos de sistemas de IA agéntica desplegados con éxito para diversos casos de uso puede proporcionar un punto de partida útil.

Por último, el liderazgo debe fomentar una cultura que fomente la experimentación manteniendo la responsabilidad: los sistemas agénticos deben acelerar el desarrollo, no reemplazar la experiencia en ingeniería de software. Al hacerlo, las organizaciones pueden integrar la ingeniería agéntica de una manera que fortalezca la productividad y estimule a los desarrolladores sin comprometer la confianza o la calidad del código.

A medida que el ámbito del desarrollo de software asistido por IA continúa evolucionando, es probable que su terminología también continúe cambiando. Si bien la “ingeniería agéntica” proporciona un marco más maduro y preciso para la forma en que los desarrolladores colaboran con los sistemas autónomos hoy en día, las prácticas detrás de ella continuarán avanzando a medida que los agentes de IA se vuelvan más capaces. En los próximos años, podemos esperar que los sistemas agénticos manejen tareas cada vez más complejas.

Al mismo tiempo, el puesto de los desarrolladores evolucionará de simplemente escribir código a diseñar, supervisar y definir el comportamiento de estos sistemas de IA. Ya sea un ingeniero de IA, un desarrollador de lote completo, un científico de datos o alguien que comienza su recorrido de programación, los principios básicos o la supervisión humana, la alfabetización en diseño de sistemas y la toma de decisiones con alto criterio seguirán siendo fundamentales.

Si no sabe por dónde empezar, empiece poco a poco. Explore un flujo de trabajo con agentes, ya sea de código abierto o de nivel empresarial, pruébelo con su equipo y vea qué es posible.