Guía práctica para usar IA agéntica en refactorización de código sin perder velocidad. El código saludable mejora el rendimiento de los modelos.
La promesa de la IA agéntica es tentadora: completar tareas de desarrollo entre dos y tres veces más rápido. Sin embargo, investigaciones recientes demuestran que esas ganancias de velocidad se evaporan en apenas dos meses si el código resultante acumula complejidad. En su charla en GOTO Copenhagen, Adam Tornhill explicó por qué el código saludable no solo beneficia a los humanos, sino que también reduce drásticamente el consumo de tokens de los modelos de lenguaje.
Un estudio sobre más de mil proyectos de código abierto mostró que, con asistencia de IA, la velocidad inicial aumenta durante las primeras semanas, pero la complejidad crece tanto que el beneficio desaparece por completo al segundo mes. Tornhill lo resume así: la IA opera en modo de autolesión, escribiendo código que luego no puede mantener de forma fiable. Esta guía recoge los pasos prácticos que propuso para romper ese ciclo.
Lo que necesitas
Antes de empezar, asegúrate de contar con una forma de medir la salud del código. Tornhill recomienda combinar métricas de tres niveles: diseño de módulo (cohesión y responsabilidades), diseño de función (APIs expresivas) e implementación (evitar lógica profundamente anidada o copy-paste excesivo). Además, necesitarás un MCP (Model Context Protocol) que exponga esos datos de salud al agente, y una suite de tests fiable que actúe como red de seguridad.
- Herramienta de análisis de código que calcule métricas de salud a nivel de módulo, función e implementación.
- Un servidor MCP local o herramienta CLI que el agente pueda consultar.
- Suite de tests con cobertura suficiente para detectar regresiones de comportamiento.
- Acceso a un modelo de lenguaje como Claude con capacidad de refactorización iterativa.
Proceso de refactorización agéntica paso a paso
La clave está en proporcionar al agente un bucle de retroalimentación objetiva. Sin datos concretos de salud, Claude u otro LLM tiende a volverse conservador y a realizar cambios pequeños que no mueven la aguja de la calidad. Según la investigación presentada, con un MCP que suministre información de salud, la tasa de corrección sube del 20-50 % hasta el 90-100 %.
- Establece una línea base midiendo la salud del código actual; identifica módulos y funciones con puntuación baja.
- Construye una red de seguridad con tests automatizados: el agente necesita saber si un cambio rompe comportamiento existente.
- Configura el MCP para que el agente pueda consultar métricas de salud en cada iteración.
- Lanza la refactorización en ciclos cortos: el agente propone un cambio, ejecuta tests y verifica si la métrica de salud mejora.
- Permite que el agente aprenda: según el estudio de refactorización a escala, instruir al agente para que construya un playbook de patrones exitosos específicos del repositorio acelera las siguientes iteraciones.
Un dato económico relevante: el código saludable permite realizar las mismas tareas con un 40-45 % menos de tokens. Para equipos que usan APIs de pago, esto se traduce directamente en ahorro de costes. Además, la investigación previa a la era de IA ya mostraba que trabajar en código sano puede ser hasta diez veces más rápido y reduce el riesgo de defectos quince veces.

Automatizar las salvaguardas
Tornhill insistió en que todas las salvaguardas deben estar completamente automatizadas en un contexto agéntico. No basta con tener un linter o cobertura de código si el agente no puede ejecutarlos y leer sus resultados. Las herramientas concretas que mencionó incluyen linting, cobertura, mutation testing para asegurar que los tests realmente prueban algo, y métricas de alto nivel como la salud de código. Todo esto se expone al agente mediante servidores MCP locales o comandos CLI.
Un aspecto a menudo olvidado: el código base promedio tiene una puntuación de salud de 5,15, mientras que el código verdaderamente amigable con IA empieza en 9,5. Esa brecha explica por qué muchas organizaciones ven retornos decrecientes al adoptar agentes de codificación sin abordar primero la deuda técnica existente.

La conclusión de Tornhill apunta al futuro: la calidad de código a nivel de módulo es un problema prácticamente resuelto con la automatización actual. El próximo desafío es escalar la amigabilidad con IA al nivel de diseño y arquitectura, donde las decisiones tienen impacto en múltiples componentes y requieren una visión más amplia del sistema. Por ahora, comenzar por el código existente y hacerlo saludable es el primer paso para que la IA no se convierta en una fuente de deuda técnica acelerada.
Para saber más: Chinese edition.
Fuente original: infoq.com
Artículo generado mediante AI.larebelion



Comentarios (0)
Todavía no hay comentarios. Puedes ser el primero.
Escribe un comentario