Contexto técnico: Lo que considero el "stack operativo" de Agentic Coding
No veo el Agentic Coding como un "autocompletado inteligente", sino como un ejecutor autónomo del SDLC: planificación → implementación → pruebas → depuración → despliegue. En 2026, esto ha dejado de ser un experimento para convertirse en una disciplina de ingeniería, donde no gana quien tiene el "agente más inteligente", sino quien tiene el entorno y los controles correctamente ensamblados.
Entre las herramientas, se mencionan con mayor frecuencia agentes universales como Claude Code y OpenCode. Yo los percibo como un "runtime para tareas de ingeniería": mantienen un contexto de trabajo extenso, saben invocar herramientas y seguir un plan de varios pasos sin degradarse a prompts de un solo uso. Sin embargo, sin contratos adecuados con el entorno, estos agentes se convierten rápidamente en generadores de diffs que nadie puede aceptar de forma segura.
Aquí es donde entran CLAUDE.md y MCP. Interpreto CLAUDE.md como la fuente de verdad del repositorio para el agente: reglas de estilo de código, prohibiciones arquitectónicas, convenciones de pruebas, esquemas de ramificación y permisos de refactorización. Considero MCP (independientemente de la implementación específica) como el protocolo/bus para conectar herramientas y datos: ejecutores de pruebas, análisis estático, escáneres de secretos, sistemas de tickets y bases de conocimiento.
Me resulta especialmente cercana la idea de Skills / CLI y Sub-Agentes. CLI es un modelo lineal ("llamar comando, obtener resultado"), mientras que las Skills y los sub-agentes ofrecen composición: un agente diseña, el segundo escribe pruebas, el tercero verifica la seguridad y el cuarto revisa las migraciones. Así es exactamente como construyo la arquitectura de IA para equipos de ingeniería: roles especializados + orquestación + trazabilidad de decisiones.
Impacto en el negocio y la automatización con IA: Quién gana y dónde se rompe el proceso
En el desarrollo basado en agentes, el coste se desplaza de "escribir a mano" a "verificar a escala". El principio clave aquí es la Asimetría de la Verificación: a menudo es más fácil y fiable verificar que generar. No veo esto como filosofía, sino como un requisito directo para el ciclo de calidad: las pruebas, las políticas, las puertas de seguridad y las compilaciones reproducibles deben ser más fuertes que antes.
Ganan las empresas que ya tienen disciplina de ingeniería: CI/CD, revisión de código, pirámide de pruebas e infraestructura de observabilidad. Allí, la automatización con IA realmente acorta el ciclo y descarga a los ingenieros costosos, pasándolos a modos de arquitectura, definición de tareas y control. Pierden aquellos que esperan reemplazar el proceso con "magia de agentes" y no invierten en especificaciones y validación.
En mi práctica en Nahornyi AI Lab, casi siempre empiezo no eligiendo el modelo, sino describiendo los límites de la autonomía: qué puede hacer el agente solo, dónde debe solicitar confirmación y qué acciones están prohibidas. Esta es la verdadera implementación de IA en el desarrollo: no "conectar un bot", sino reestructurar el flujo de trabajo y la responsabilidad. Esto es especialmente crítico para fintech, industria y cualquier dominio regulado.
Utilizo el Agent Spec Driven Development como antídoto contra el caos: primero la especificación del comportamiento del agente y los criterios de aceptación, luego la implementación. La especificación es un contrato entre el negocio, el arquitecto y el sistema de agentes, no "otro documento más". Con este enfoque, el agente se convierte en un acelerador, no en una fuente de imprevisibilidad.
Visión estratégica: Mi pronóstico sobre la arquitectura y el rol del ingeniero
Espero que en 2026–2027 el "artefacto principal del desarrollo" no sea el código, sino el conjunto de reglas legibles por máquina a su alrededor: políticas tipo CLAUDE.md, especificaciones de agentes, catálogos de herramientas y modelos de amenazas. El código será una parte derivada, a menudo en borrador y constantemente reescrita, mientras que la estabilidad estará asegurada por la capa de verificación.
En los proyectos de Nahornyi AI Lab, veo un patrón recurrente: cuanta más autonomía damos al agente, más importantes son la observabilidad y la capacidad de prueba. Se necesitan registros de acciones del agente, diffs con explicaciones, enlaces a tickets y ejecuciones reproducibles de pruebas y escáneres. De lo contrario, obtienes velocidad hoy y deuda técnica mañana que ya no se puede escalar mediante revisión humana.
Mi consejo práctico para el negocio es simple: comiencen con el "ciclo de calidad del agente" y luego amplíen el ciclo de generación. Construyan integraciones MCP con pruebas, seguridad y despliegue, establezcan reglas en el repositorio e implementen Agent Spec Driven Development como estándar. Entonces, el desarrollo de soluciones de IA dentro de la ingeniería será manejable, y la integración de IA será predecible en riesgos y plazos.
Este análisis fue preparado por mí, Vadim Nahornyi, experto principal en Nahornyi AI Lab en arquitectura de IA, implementación de IA y automatización de IA en el sector real. Si desea construir un stack agéntico en su equipo (MCP/skills/sub-agents), configurar ciclos de verificación y acelerar su SDLC de forma segura, lo invito a discutir su proyecto con Nahornyi AI Lab; prepararé una arquitectura objetivo y un plan de implementación adaptado a sus restricciones.