Los agentes de programación con IA pueden generar código en una fracción del tiempo que le llevaría escribirlo a un ingeniero. Sin embargo, esa velocidad no se traduce necesariamente en entregas de software más rápidas: a medida que se acumula el código, los equipos pueden dedicar más tiempo a entender su comportamiento, revisar los cambios y diagnosticar fallos.

El artículo, escrito por Greg, cofundador y director de tecnología de Undo, describe esta situación como un cambio en el cuello de botella del desarrollo. La IA es cada vez más capaz de generar código, pero puede tener dificultades para depurar bases de código grandes y complejas. Las capas de cambios y la lógica duplicada pueden hacer que sea más difícil seguir el funcionamiento del software, lo que deja a los ingenieros con más trabajo de revisión y menos claridad sobre el origen de un defecto.

Las consecuencias pueden ser especialmente graves en sectores como los servicios financieros, el diseño de semiconductores, las redes y las bases de datos, donde un fallo de software puede interrumpir servicios esenciales. El artículo cita al controlador nacional del tráfico aéreo del Reino Unido, que afirmó que una interrupción reciente que provocó la cancelación de 2.000 vuelos y varios días de trastornos se debió a un defecto en software heredado.

Las cifras citadas en el artículo apuntan a una brecha entre la generación más rápida de código y las mejoras de productividad cuantificables. Según el artículo, el 79 % de los responsables de ingeniería afirma que los ciclos de entrega no se han acelerado, mientras que nueve de cada diez dicen que comprender y depurar el código lleva más tiempo en entornos complejos, como las bases de código C/C++.

Los agentes de IA también tienen limitaciones a la hora de diagnosticar problemas. Si se basan únicamente en el código fuente, los registros y la documentación, quizá no dispongan de pruebas de lo que realmente ocurrió cuando se ejecutó el software. El artículo afirma que el 93 % de las organizaciones de ingeniería ha tenido un caso en que la causa raíz de un problema se diagnosticó incorrectamente debido a una alucinación de la IA; como resultado, el 37 % de los equipos utiliza agentes para comprender y depurar código solo cuando las bases de código son sencillas.

La solución propuesta no consiste simplemente en un modelo más grande o potente, sino en disponer de mejor información sobre el comportamiento durante la ejecución. Proporcionar a los agentes un registro de lo sucedido durante la ejecución podría ayudarles a rastrear los fallos hasta sus causas y ofrecer a los ingenieros una asistencia más fiable. Sin ese contexto, generar código más rápido puede trasladar el trabajo a etapas posteriores en vez de reducirlo.

Fuentes: TechRadar.