Contexto técnico
He investigado lo que GitLab llama Act 2, y no es solo otra actualización con un chatbot al lado. Están reestructurando realmente la plataforma para un escenario donde la automatización con IA vive dentro del SDLC, en lugar de ser un juguete para generar código añadido a un IDE.
La idea central es simple: GitLab quiere que los agentes no solo escriban fragmentos de código, sino que también abran merge requests, ejecuten pipelines, analicen hallazgos de seguridad, corrijan la CI y trabajen en paralelo. Para la implementación de IA en equipos de ingeniería, esto se acerca más a una capa de plataforma que a experimentos aislados.
En el centro de todo está la GitLab Duo Agent Platform. Incluye varios agentes especializados: para desarrollo, seguridad, investigación y CI. Además, una capa de orquestación para que no entren en conflicto caóticamente, sino que sigan flujos predefinidos.
Lo que me pareció interesante es el soporte para MCP, la conexión con agentes externos como Claude Code y Codex, y los flujos personalizados. Es decir, GitLab no encierra todo en un único agente integrado, sino que crea un bus donde puedes construir tu propio proceso para un equipo o producto específico.
Otro punto clave: GitLab habla explícitamente de un flujo de trabajo a escala de máquina. Esto significa que el propio modelo de Git, los pipelines y los servicios internos se están adaptando para un flujo de commits y ejecuciones que ya no generan los humanos manualmente, sino agentes 24/7. Aquí me detuve: la bonita presentación termina y comienza la pesada arquitectura de IA.
La disponibilidad también es realista: se anuncia una beta para GitLab 18.2, y la disponibilidad general se espera para la 18.8+, principalmente para los niveles Premium y Ultimate. El nivel gratuito es limitado y el uso se cobra a través de Créditos de GitLab, lo que significa que la cuestión del coste se convertirá rápidamente en un problema contable muy real.
Qué cambia esto para el negocio y la automatización
El primer beneficio es obvio: CI/CD deja de ser solo una verificación post-commit y se convierte en un entorno donde los agentes reparan fallos, optimizan el pipeline y convierten viejos scripts de Jenkins a GitLab CI/CD. Para los equipos de DevOps, esto ahorra tiempo no en porcentajes, sino en la rutina constante.
El segundo punto es más duro: sin reglas, auditorías y límites, esto se convertirá rápidamente en un caos costoso. Ganarán los equipos que ya tengan una integración de IA sólida, políticas claras y observabilidad. Perderán los que simplemente activen los agentes para todos.
Y tercero: aumenta el valor de la arquitectura de flujos, no de un solo modelo. En Nahornyi AI Lab resolvemos precisamente estos problemas para los clientes: dónde se puede confiar una acción a un agente, dónde se necesita un humano en el ciclo (human-in-the-loop) y cómo construir automatización con IA sin disparar los costes y el riesgo para producción.
Si tu CI/CD ya está topando con verificaciones manuales, arreglos nocturnos y la eterna depuración de pipelines inestables, es un buen momento para rediseñar el proceso. Podemos analizar juntos dónde crear un agente de IA o construir una automatización con IA cuidadosa en tu caso, para que el equipo realmente se acelere en lugar de obtener otra fuente de ruido de moda.