Contexto técnico: qué ofrecen exactamente los enfoques "agénticos"
Revisé cuidadosamente el programa del taller y me gusta que el enfoque no esté en "la IA escribe código", sino en la disciplina de ingeniería que rodea a los ciclos agénticos. Agentic Coding ocurre cuando un agente no se limita a generar fragmentos de código, sino que planifica, ejecuta pasos, invoca herramientas, registra el progreso y se verifica a sí mismo mediante iteraciones.
En la lista de herramientas destacan agentes universales como Claude Code y OpenCode. No los veo como "un plugin más para el IDE", sino como motores de ejecución que operan junto al repositorio y el entorno de integración y despliegue continuo (CI/CD): leen la estructura del proyecto, crean ramas, abren solicitudes de extracción (PR), ejecutan pruebas, clasifican incidencias y dejan comentarios.
Quiero destacar especialmente el bloque sobre CLAUDE.md y el Agent Spec Driven Development. La especificación del comportamiento del agente en el repositorio funciona como un "contrato" práctico: define el objetivo, las herramientas, las restricciones, los criterios de terminación y los roles de los sub-agentes. Cuando diseño la arquitectura de soluciones de IA, esta especificación se convierte en el anclaje que sobrevive a los cambios de modelos y rotaciones de equipo.
La combinación de Skills / MCP vs CLI se refiere a las interfaces de las herramientas. Los servidores MCP ofrecen acceso estandarizado a los sistemas (repositorios, rastreadores de tareas, CRM, navegadores, API internas) y permiten una gestión minuciosa de los permisos. El enfoque CLI es más fácil de implementar al principio, pero suele escalar peor en términos de seguridad y observabilidad.
Por último, está la asimetría de verificación (Asymmetry of Verification), un concepto que ahorra mucho más dinero en los equipos reales que tener un "modelo más inteligente". Generar toma tiempo, revisar es más rápido: el agente hace el borrador y un humano o un agente verificador valida las diferencias, pruebas, contratos y riesgos.
Impacto empresarial y automatización: quién gana y quién empieza a perder
Veo que el Agentic Coding en 2026 está moviendo el mercado de "acelerar al programador" a la automatización con IA de ciclos de desarrollo completos. Las empresas con numerosas operaciones de ingeniería repetitivas serán las grandes ganadoras: mantenimiento de monorepositorios, clasificación de errores, soporte de infraestructura, PR de rutinas para dependencias, generación de documentación y estabilización de pruebas.
Los que intenten implementar agentes "sobre el caos" comenzarán a perder. Si careces de una definición de hecho (Definition of Done), un entorno de pruebas, reglas de creación de ramas y un modelo de acceso claro, los agentes se convertirán en un generador de deuda técnica e incidentes.
En los proyectos de Nahornyi AI Lab, casi nunca empiezo eligiendo el modelo, sino diseñando el circuito de control: permisos MCP, entornos de pruebas controlados (sandboxes), políticas de solo lectura por defecto, registro de acciones, límites a las llamadas de red y controles obligatorios en CI. Esto es la arquitectura de IA en un sentido aplicado: no diagramas por el mero hecho de hacerlos, sino un mecanismo para una ejecución controlada.
Otro efecto para el negocio es que la estructura de roles cambia. Cada vez recomiendo más a los clientes asignar un "ingeniero de verificación" (o revisor principal) que diseñe comprobaciones rápidas: pruebas, linters, validaciones de contratos y listas de verificación de seguridad. Entonces, la asimetría de verificación se convierte en una ventaja competitiva, no en una simple idea bonita.
Visión estratégica: la autonomía será estándar, pero solo mediante especificaciones
Mi pronóstico es simple: en los próximos 12 a 18 meses, los pipelines agénticos se normalizarán, tal como ocurrió con CI y la infraestructura como código. Sin embargo, no llegarán a producción los agentes "más autónomos", sino aquellos que estén mejor encapsulados por especificaciones y restricciones.
Ya veo un patrón repetitivo en la adopción de inteligencia artificial: primero el equipo compra la herramienta, luego se topan con que el agente no respeta los límites, y solo tras los incidentes surge la disciplina: especificaciones, permisos, observabilidad y división de roles. El Agent Spec Driven Development te permite saltarte esta dolorosa fase si lo integras en el proceso desde el primer día.
En la práctica de Nahornyi AI Lab, vinculo las especificaciones de los agentes con un "contrato de producción": qué artefactos puede crear el agente (PR, migraciones, configuraciones), qué acciones están prohibidas sin aprobación humana y qué métricas de calidad son obligatorias (cobertura de pruebas, SAST, escaneo de secretos). Esto transforma el desarrollo de la IA de un experimento a un sistema gestionado de manera predecible.
Si deseas implementar la "automatización con IA" en tu desarrollo, te recomiendo empezar por un único flujo —por ejemplo, la clasificación de incidencias o un PR automático para actualizar dependencias— y diseñar inmediatamente los permisos MCP y los ciclos de verificación. A partir de ahí, la escalabilidad hacia nuevas funcionalidades y refactorización es significativamente más rápida.
Esta nota analítica ha sido preparada por Vadym Nahornyi, especialista principal en Nahornyi AI Lab en arquitectura de IA, integración de IA y automatización del desarrollo con agentes. Me incorporo cuando lo que necesitas no es "jugar con un agente", sino construir un entorno seguro, medible y rentable. Escríbeme: analizaremos tu proceso de desarrollo, elegiremos los escenarios agénticos adecuados y elaboraremos una hoja de ruta para su implementación.