Rescale en 5 días creó un agente de IA para los tests fallidos: la espera hasta el despliegue se redujo un 20%
Cada mañana, el ingeniero de guardia de Rescale revisaba los tests automatizados que habían fallado durante la noche y decidía a qué equipo asignar cada fallo. Mientras los tests estuvieran en rojo, el despliegue en producción se quedaba parado. Ahora, el primer análisis lo hace un agente de IA basado en Claude, construido en cinco días según la metodología AI-DLC. Su veredicto coincide con el de las personas en el 68% de los casos (al inicio era el 44%), y la espera del despliegue por el análisis de fallos se redujo un 20%. La clasificación rutinaria puede delegarse en el agente, y la verificación sigue en manos de una persona.
Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
Todos los equipos de ingeniería conocen este ritual. Por la noche fallan los tests automatizados, por la mañana el ingeniero de guardia abre los logs, averigua la causa y traslada la tarea al equipo correspondiente. Y luego todo se repite.
En Rescale, una plataforma para cálculos y simulaciones de ingeniería, estos tests además bloquean el lanzamiento semanal: mientras los fallos no se analicen, el código nuevo no llega a producción. Ahora el análisis inicial lo hace un agente de IA. Se construyó en cinco días, desde la definición del problema hasta su funcionamiento en el entorno de pruebas (staging), y llegó al entorno de producción pocas semanas después.
Los resultados en cifras: los veredictos del agente coinciden con los de los ingenieros en el 68% de los casos (al arrancar era el 44%), y el tiempo en que el despliegue permanece parado por el análisis de fallos se redujo un 20%.
Qué hace el agente
El agente se ejecuta como un paso dentro del pipeline de integración y despliegue continuos (CI/CD) que ya existía, sobre Argo Workflows en Amazon EKS. Cuando el conjunto nocturno de tests de Playwright, con cientos de casos, registra fallos, el pipeline lanza un pod con el agente. Después realiza cuatro tareas:
- envía cada fallo al modelo Claude Opus 4.8 a través de Amazon Bedrock y obtiene una de cuatro causas: problema de infraestructura, bug en el código, test inestable («flaky») o problema de entorno;
- consulta en la base de conocimiento fallos similares del pasado;
- solicita mediante el Model Context Protocol (MCP) los logs de los pods en CloudWatch como confirmación de su conclusión;
- genera un informe en JSON y HTML con los archivos, las funciones y las recomendaciones de corrección.
Todo ocurre en cuestión de segundos. El agente no corrige nada por su cuenta: primero lo revisa un ingeniero. Antes había que recorrer manualmente el camino que va del informe a los logs, el historial de fallos y el código fuente. Ahora ese primer recorrido lo hace el agente, y la persona lo verifica.
Cómo se construyó: AI-DLC y sesiones en grupo
AI-DLC (AI-Driven Development Lifecycle) es una metodología abierta de AWS. En ella, la IA elabora planes, escribe código y propone arquitecturas, pero en los puntos de decisión formula preguntas en lugar de adivinar. Las decisiones siguen en manos de las personas. El trabajo se organiza en sesiones grupales: primero todos juntos formulan los requisitos y después construyen, mientras la IA escribe el código.
La formulación inicial fue una sola frase: hace falta un sistema que clasifique los fallos y recomiende correcciones. La IA hizo más de 20 preguntas de aclaración. El resultado fue un documento de requisitos en el que se separa el alcance de la primera fase de la segunda, y cuatro bloques de trabajo: base de conocimiento, el propio agente, la integración con Argo y un conjunto de evaluación de calidad. Los pull requests automáticos se dejaron para más adelante.
Durante el trabajo hubo dos cambios de rumbo en la arquitectura. El agente se planteó inicialmente para Amazon Bedrock AgentCore, pero se trasladó a EKS, donde ya vivía Argo. Así no hubo que mantener un entorno nuevo y el lanzamiento se hace directamente desde el pipeline. Los logs se tomaban primero de un servicio externo y después se pasaron a CloudWatch. El esquema de trabajo mediante MCP se mantuvo, solo cambió la fuente. Como los requisitos y las decisiones estaban en documentos compartidos, bastó con actualizarlos en el mismo sitio.
La profundidad del diseño dependió de la complejidad de cada bloque. La base de conocimiento en Terraform se levantó en cuestión de horas. El agente recibió el conjunto completo: revisión de la arquitectura, contratos de interfaz, 12 preguntas de diseño y revisión iterativa del código. Está escrito con Strands SDK y puede analizar varios fallos en paralelo. El quinto día, el equipo montó un marco de evaluación con PyTest, con modos en vivo y con simulaciones, y mostró al CTO cómo el agente clasifica correctamente tanto un fallo de infraestructura como un bug real con una recomendación para un archivo concreto.
Resultados y limitaciones
Las cifras son modestas y honestas. La coincidencia con la clasificación humana subió del 44% al 68%, y el equipo sigue mejorando el conjunto de ejemplos de referencia y los prompts. Aproximadamente uno de cada tres veredictos sigue sin coincidir con la opinión del ingeniero, por lo que la persona sigue en el circuito. La reducción del 20% en el tiempo de parada se nota directamente en la velocidad de los lanzamientos: son precisamente estos tests los que abren el camino a producción.
Para los profesionales hay tres lecciones. La primera: empezar por la tarea rutinaria que resulta costosa y tiene un criterio de éxito claro, como la clasificación inicial de fallos. La segunda: construir el conjunto de evaluación desde el primer día. Gracias a él, Rescale tiene una línea base del 44% y puede ver hacia dónde evoluciona la calidad. La tercera: el valor de AI-DLC no está en el código en sí, sino en una especificación validada. Al agente le resulta más fácil escribir código para soluciones ya acordadas que inventar la arquitectura y el código a la vez.
Rescale estudia ahora crear un centro interno de competencia en AI-DLC e incorporar la metodología al desarrollo de nuevos productos de simulación. Se aplica, por ejemplo, al catálogo de aplicaciones HPC, al seguimiento de vulnerabilidades en contenedores y a agentes de programación en la nube. Advertencia: se trata de un texto de socio de AWS y las cifras no han sido verificadas de forma independiente.
- 21 nov 2026Anthropic recorta un 20 % el precio de Claude Fable 5.2 y, en una prueba de código, queda casi a la altura de Opus 5.5
- 21 nov 2026Dreamteam recauda 53 millones de dólares para un CRM que se alimenta solo a partir del correo y las llamadas
- 21 nov 2026La IA Claude Opus 5.5 completa el terror Dimension 9 a partir de 15 habitaciones del autor
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hace el agente?
El agente se ejecuta como un paso dentro del pipeline de integración y despliegue continuos (CI/CD) que ya existía, sobre Argo Workflows en Amazon EKS. Cuando el conjunto nocturno de tests de Playwright, con cientos de casos, registra fallos, el pipeline lanza un pod con el agente.
Cómo se construyó: AI-DLC y sesiones en grupo?
AI-DLC (AI-Driven Development Lifecycle) es una metodología abierta de AWS. En ella, la IA elabora planes, escribe código y propone arquitecturas, pero en los puntos de decisión formula preguntas en lugar de adivinar. Las decisiones siguen en manos de las personas. El trabajo se organiza en sesiones grupales: primero todos juntos formulan los requisitos y después construyen, mientras la IA escribe el código.
¿Qué se sabe sobre Resultados y limitaciones?
Las cifras son modestas y honestas. La coincidencia con la clasificación humana subió del 44% al 68%, y el equipo sigue mejorando el conjunto de ejemplos de referencia y los prompts. Aproximadamente uno de cada tres veredictos sigue sin coincidir con la opinión del ingeniero, por lo que la persona sigue en el circuito. La reducción del 20% en el tiempo de parada se nota directamente en la velocidad de los lanzamientos: son precisamente estos tests los que abren el camino a producción.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.