Agentes de ingeniería en lugar de desarrolladores: seis meses de revolución en el código
El creador de OpenClaw lo ha constatado: en solo seis meses, los agentes se han convertido en algo habitual en el desarrollo de software. En mayo provocaban asombro; en diciembre ya forman parte del flujo de trabajo cotidiano. Hoy toda la industria aplica sus métodos de trabajo con agentes.
Procesado por IA desde Habr AI; editado por Hamidun News
Hace seis meses, Peter Steinberger, creador de OpenClaw (que más tarde compró OpenAI), publicó un artículo sobre el desarrollo a velocidad de inferencia. La idea: un agente de IA resuelve una tarea en 5 segundos de inferencia, frente a una hora de programación manual. Entonces sonaba a revolución y a primeras impresiones. Hoy esa revolución es una jornada laboral corriente en la industria.
De los experimentos al estándar
En mayo de 2025, la velocidad de inferencia era una idea interesante. Los agentes se equivocaban a menudo, necesitaban prompts a medida y solo funcionaban con tareas sencillas. Los desarrolladores se mostraban escépticos: «Esto no es desarrollo de verdad, es un juguete».
En diciembre, el panorama había cambiado por completo. Los agentes ya trabajan con proyectos reales de miles de archivos, integraciones complejas y código legacy. La precisión pasó del 70% a más del 90%. Y lo más importante: el tiempo de iteración bajó de horas a minutos. El agente detecta el error, lo corrige y devuelve el resultado.
Cómo funciona en la práctica
Steinberger dio con una verdad sencilla: velocidad de entrega = velocidad de inferencia. Si el modelo completa la inferencia en 5 segundos, la funcionalidad se entrega en 5 minutos (sin contar la validación). Antes, en comparación, se tardaba entre 1 y 3 horas.
Pero la velocidad no es lo principal. Lo principal es el cambio en el papel del desarrollador. Ya no escribes código. Formulas la tarea para el agente, revisas el resultado y lo apruebas o lo devuelves para que lo rehaga. Es como contratar a un desarrollador junior que nunca se cansa y trabaja en microsegundos.
Métodos de trabajo con agentes
En estos seis meses han surgido prácticas que Steinberger describió y que hoy son estándar:
- Minimizar las aclaraciones: preparar todo el contexto antes de la petición
- Usar el file-graph y los type-hints como ejemplos de aprendizaje para el agente
- Dar al agente acceso al historial de commits (ejemplos de código que funcionó)
- No corregir al agente a mano: pasarle el error para que lo rehaga él mismo
- Centrarse en tareas de alto nivel, no en la sintaxis
El ingeniero ahora piensa en funcionalidades, no en líneas de código.
El agente se encarga de todo lo demás.
Qué significa esto para la industria
Desarrollar ha dejado de consistir en escribir código. Ahora se trata de plantear tareas y validar resultados. Quienes han entendido este cambio son entre 3 y 5 veces más productivos. Quienes siguen escribiendo el código ellos mismos pierden competitividad poco a poco.
Steinberger escribió sobre sus primeras impresiones, pero resultó que no eran impresiones en absoluto: eran la nueva normalidad.
- 1 nov 2026Los modelos locales pierden ante Opus y Codex: 0,21 puntos en un MacBook frente a 1,00 de Codex
- 1 nov 2026Kimi logra un 96,2 % en un test de analítica sobre una base de 1C y se perfila como plan B ante un bloqueo de Claude
- 1 nov 2026OpenAI reescribe las reglas de comportamiento de GPT: cinco valores y una cadena de prioridades
- 1 nov 2026Google admite que AI Mode reduce los ingresos de su buscador: las acciones caen un 15%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre De los experimentos al estándar?
En mayo de 2025, la velocidad de inferencia era una idea interesante. Los agentes se equivocaban a menudo, necesitaban prompts a medida y solo funcionaban con tareas sencillas. Los desarrolladores se mostraban escépticos: «Esto no es desarrollo de verdad, es un juguete». En diciembre, el panorama había cambiado por completo. Los agentes ya trabajan con proyectos reales de miles de archivos, integraciones complejas y código legacy. La precisión pasó del 70% a más del 90%. Y lo más importante: el tiempo de iteración bajó de horas a minutos. El agente detecta el error, lo corr
Cómo funciona en la práctica?
Steinberger dio con una verdad sencilla: velocidad de entrega = velocidad de inferencia. Si el modelo completa la inferencia en 5 segundos, la funcionalidad se entrega en 5 minutos (sin contar la validación). Antes, en comparación, se tardaba entre 1 y 3 horas. Pero la velocidad no es lo principal. Lo principal es el cambio en el papel del desarrollador. Ya no escribes código. Formulas la tarea para el agente, revisas el resultado y lo apruebas o lo devuelves para que lo rehaga. Es como contratar a un desarrollador junior que nunca se cansa y trabaja en microsegundos.
¿Qué se sabe sobre Métodos de trabajo con agentes?
En estos seis meses han surgido prácticas que Steinberger describió y que hoy son estándar: Minimizar las aclaraciones: preparar todo el contexto antes de la petición Usar el file-graph y los type-hints como ejemplos de aprendizaje para el agente Dar al agente acceso al historial de commits (ejemplos de código que funcionó) No corregir al agente a mano: pasarle el error para que lo rehaga él mismo Centrarse en tareas de alto nivel, no en la sintaxis El ingeniero ahora piensa en funcionalidades, no en líneas de código. El agente se encarga de todo lo demás.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
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.