Contexto técnico
Me encantan estos análisis de ingeniería no por las relaciones públicas, sino porque puedes extraer un plan de trabajo para la implementación de IA en sistemas legacy reales. Meta no intentó meter toda la base de código en el modelo. Construyeron una 'brújula' sobre el código, y a eso lo llamo una arquitectura de IA madura.
Los datos de partida eran un desastre, como suele ocurrir en producción: 4 repositorios, 3 lenguajes, más de 4100 archivos y un montón de conocimiento tribal que no está ni en Jira ni en diagramas de arquitectura. En lugar de un único agente 'inteligente', desplegaron más de 50 agentes especializados en 9 fases.
Investigué los detalles, y lo más potente aquí no es el número de agentes, sino la disciplina del proceso. Para cada archivo, los analistas respondían 5 preguntas: qué hace, qué patrones contiene, dónde están las trampas ocultas, cuáles son sus dependencias y qué convenciones no escritas hay que conocer. Luego, los agentes escritores creaban borradores y los agentes críticos realizaban 3 rondas de críticas feroces.
Sí, feroces. No 'corregir un poco', sino destruir conclusiones dudosas, sacar a la luz alucinaciones y encontrar referencias obsoletas. Después de eso, los agentes reparadores perfeccionaban los materiales, y la puntuación media de calidad subió de 3.65 a 4.20 sobre 5.
El resultado fueron 59 archivos de contexto compactos, de 25-35 líneas cada uno, sumando unos 1000 tokens. Eso es menos del 0.1% de una ventana de contexto moderna. La idea es simple: no una enciclopedia, sino pistas cortas que activan una recuperación precisa bajo demanda.
Aquí es donde lo entendí todo. La mayoría de los equipos todavía debaten si la IA puede siquiera llevarse bien con su código legacy 'especial'. Meta demostró que el problema no es la singularidad del código, sino la falta de un mapa legible por máquina de las microdecisiones que solo existen en la cabeza de las personas.
Impacto en el negocio y la automatización
La conclusión práctica es muy realista: si estás creando AI automation sobre un sistema antiguo, introducir todo el repositorio en el contexto suele ser una tontería y caro. Un mapa de dominio conciso genera menos llamadas, menos tokens y guía al agente por el código de forma mucho más estable.
Las cifras de Meta son alentadoras: un 40% menos de llamadas, un 40% menos de tokens, y tareas de investigación que antes llevaban dos días ahora se hacen en 30 minutos. Para el equipo, ya no es un 'experimento interesante', sino un impacto directo en el coste de mantenimiento y la velocidad de los cambios.
Ganan las empresas con un legacy pesado, donde la experiencia está repartida entre personas y repositorios. Pierden las que aún esperan que el código sea la única fuente de verdad para un agente. En la práctica, en Nahornyi AI Lab resolvemos precisamente estos cuellos de botella: primero extraemos las reglas ocultas del sistema y luego construimos AI solutions for business sin gastos innecesarios en generación caótica.
Si tu agente se ahoga en código antiguo y tu equipo pierde días investigando, yo no empezaría con un nuevo modelo, sino con un mapa de conocimiento. Si quieres, analizamos tu stack y vemos cómo en Nahornyi AI Lab podemos build AI automation para que realmente elimine la rutina, en lugar de quemar presupuesto en tokens vacíos.