Agentes de IA en lugar de vibe coding: cómo un pipeline autónomo lleva una tarea hasta el PR

Un análisis sobre el vibe coding reduce el problema a una idea simple: los modelos fallan no porque escriban mal el código, sino porque se les da el contexto en fragmentos. En lugar de otro conjunto de prompts «mágicos», el autor propone un esquema de trabajo en el que los agentes reciben estructura, se verifican entre sí y llevan la tarea hasta el PR casi sin intervención humana.

Dónde se rompe todo

En el escenario típico, el desarrollador lanza una tarea al chat, recibe una respuesta vistosa y espera que el modelo complete por sí solo todos los detalles que faltan. A corto plazo esto a veces funciona, pero en un proyecto real los huecos afloran rápido: el agente no conoce las restricciones del repositorio, no ve los acuerdos de arquitectura, no entiende el objetivo de negocio y no recuerda las decisiones previas del equipo. De ahí la sensación de que el vibe coding es inestable: una vez da un buen resultado, y la siguiente rompe la compilación, choca con el estilo de código y se pierde en los detalles.

La tesis principal del análisis es que el problema no es una IA débil, sino un mal empaquetado de la tarea. Un buen prompt de sistema no sustituye los documentos, los ejemplos, el estado del repositorio, el historial de discusiones y unos criterios de aceptación claros. Si el modelo recibe solo la frase «haz la funcionalidad», empieza a improvisar donde hace falta un apoyo preciso. Por eso el contexto no es aquí un complemento agradable, sino una parte integral del proceso de ingeniería.

Tres etapas de madurez

El autor describe el camino que suelen recorrer los equipos que intentan integrar la IA en el desarrollo. En cada etapa crece no solo la calidad de las respuestas, sino también el nivel de formalización del propio trabajo. Cuanta menos magia manual y menos pistas aleatorias, mayor es la probabilidad de obtener un resultado reproducible que no dé vergüenza enviar a producción o, al menos, a una revisión en regla. Es la formalización la que convierte un experimento con IA en una herramienta repetible.

• La primera etapa es un chat individual con un prompt largo, donde el resultado depende por completo de si la persona acertó con la formulación.
• La segunda etapa es conectar el repositorio, los archivos, las reglas del proyecto y las plantillas de tareas, para que el agente vea el contexto de trabajo y no solo una descripción en texto.
• La tercera etapa es un pipeline autónomo con varios roles, donde unos agentes planifican, otros escriben código y otros revisan y devuelven observaciones.
• El paso final es entregar el resultado listo por un canal cómodo, por ejemplo Telegram, de modo que la persona intervenga solo en los puntos de control.

La diferencia entre etapas no es cosmética. En el primer nivel, la IA parece un juguete para bocetos rápidos. En el segundo, se convierte en un asistente útil dentro de un proyecto real. En el tercero, pasa a ser parte de una cadena de montaje, donde ya no importa una respuesta aislada del modelo, sino cómo se organizan la transmisión del contexto, la comprobación de hipótesis y el intercambio de observaciones entre agentes. Por eso el autor se muestra escéptico ante la idea de que un único prompt perfecto pueda resolver todos los problemas de golpe.

Cómo funciona el circuito

En el esquema propuesto, el usuario formula la tarea y puede, literalmente, cerrar el portátil después. A partir de ahí el circuito asume el trabajo: un agente descompone la solicitud, reúne los archivos relevantes y elabora un plan; un segundo implementa los cambios; un tercero actúa como revisor y busca puntos débiles; si hace falta, los agentes debaten entre sí y afinan la solución hasta que aparece una versión digna de un pull request. Este proceso se parece más a un equipo pequeño que al habitual «pregunta y respuesta» en una sola ventana.

El sentido práctico es que la autonomía no se construye sobre la libertad del modelo, sino sobre la disciplina del proceso. A los agentes se les fijan de antemano los roles, las fuentes de contexto, el formato de los artefactos y las reglas de escalado. Si el revisor encuentra un problema, la tarea no muere en el chat, sino que vuelve al ciclo de corrección. Si se superan todas las comprobaciones, el sistema envía el PR y una notificación a Telegram. Para el desarrollador esto supone un cambio de rol: menos microgestión manual y más gestión de requisitos, contexto y puntos de control.

Qué significa

El análisis muestra bien hacia dónde se desplaza la IA práctica en el desarrollo. El valor se aleja poco a poco de las demos vistosas y se acerca a la infraestructura de contexto y a los procesos de varios pasos. Para los equipos es una señal para revisar no solo los prompts, sino también cómo almacenan el conocimiento del proyecto, describen las tareas e integran los agentes de IA en el ciclo de desarrollo habitual. Ganarán quienes aprendan a construir un entorno de trabajo alrededor del modelo en lugar de confiar en una formulación afortunada.