Alucinaciones en la IA para programar: por qué los agentes son más lentos que buscar y reemplazar

Un agente CLI basado en Qwen Code tardó dos horas en una tarea que la función «buscar y reemplazar» de un IDE habría resuelto en 20 minutos. El motivo: alucinaciones continuas y artefactos innecesarios.

Cuando un agente rinde peor que buscar y reemplazar

La tarea parecía trivial: aplicar cambios repetitivos en una base de código con un agente CLI. Qwen Code es un modelo especializado en código y era el disponible en el entorno de trabajo del desarrollador, en lugar de Claude, su opción preferida. Debería haber resuelto la tarea rápido. Sin embargo, el agente trabajó unas dos horas: añadía construcciones innecesarias, perdía el contexto de la tarea y exigía correcciones manuales constantes.

El autor siguió intentando guiar al modelo «ya por puro interés deportivo». Esa experiencia fue la que lo llevó, por fin, a entender la naturaleza de las alucinaciones en lugar de limitarse a cambiar de herramienta.

Parámetros clave de la situación:

• Tarea: cambios repetitivos de código mediante un agente CLI
• Tiempo esperado: 20 minutos con una herramienta manual
• Tiempo real: unas 2 horas con el agente
• Modelo: Qwen Code
• Síntomas: alucinaciones y artefactos superfluos añadidos

¿Por qué los prompts «inteligentes» agravan las alucinaciones?

La paradoja central del artículo: escribir prompts más detallados e «inteligentes» no reduce las alucinaciones y, con frecuencia, las aumenta.

Sobrecarga de contexto. Un prompt largo, con muchas condiciones y excepciones, aumenta la probabilidad de que el modelo pierda el hilo y empiece a completar la lógica a partir de sus propios pesos en lugar de seguir la instrucción.

Conflicto de restricciones. Las condiciones detalladas pueden contradecirse de forma implícita. El modelo no devuelve un error: elige entre ellas, elige mal y genera un resultado verosímil pero incorrecto.

Salida de la distribución. Los modelos especializados en código se entrenaron con un tipo concreto de consultas. Los prompts atípicos o compuestos llevan al modelo a una zona con pocos ejemplos en el entrenamiento, y ahí las alucinaciones se disparan.

Ilusión de comprensión. Una instrucción detallada le da al desarrollador la sensación de que el modelo ha entendido la tarea. En realidad, el modelo solo genera el siguiente token a partir de patrones similares de sus datos de entrenamiento.

¿Qué debe hacer un desarrollador con un agente de IA?

La experiencia descrita en el artículo apunta a varias conclusiones prácticas:

• Atomiza las tareas: una llamada al agente, una operación concreta, no un conjunto de pasos interrelacionados
• Revisa los artefactos: hay que verificar el resultado de cada paso antes de pasarlo a la siguiente fase del pipeline
• Simplifica en lugar de complicar: si el modelo alucina, prueba con un prompt más corto y concreto
• Elige la herramienta adecuada: para cambios mecánicos y repetitivos, grep o un script suelen ser más fiables que un agente

«Solo después de esta maravillosa experiencia decidí por fin leer las

instrucciones», escribe el autor.

Qué significa esto

Las alucinaciones de los LLM no son un bug que un prompt más inteligente vaya a eliminar. Son una propiedad sistémica de los modelos autorregresivos que se intensifica al salir de la distribución de entrenamiento. Entenderlo una vez permite construir pipelines de IA que tengan en cuenta las limitaciones reales de la herramienta, en lugar de ignorarlas.

¿Cuándo es un agente de IA para código menos eficaz que

Find & Replace? Cuando el agente alucina y genera código incorrecto en lugar de limitarse a aplicar cambios repetitivos. Un ejemplo es Qwen Code: una tarea que Find & Replace resuelve en 20 minutos llevó 2 horas porque el agente añadía artefactos innecesarios sin parar.

¿Por qué los agentes de IA son a veces peores que las herramientas simples?

En el caso de Qwen Code, el agente añadía artefactos innecesarios y alucinaba en lugar de ejecutar un reemplazo de código repetitivo, una tarea que un IDE resuelve en 20 minutos.