En un contexto en el que las interrupciones nocturnas para depurar problemas ya no son excepcionales sino habituales, el proceso de revisión de código ha dejado de ser suficiente con analizar cambios aislados. Una revisión eficaz debe entender el contexto interconectado entre varios repositorios para evitar errores que pueden impactar a múltiples equipos.
Itamar Friedman, cofundador y CEO de Qodo, explica a The New Stack que el tradicional modelo monolítico de aplicaciones ha sido reemplazado por una estructura basada en múltiples repositorios, lo que plantea nuevos retos para el control de calidad, ya que los fallos a causa de interdependencias entre repositorios afectan principalmente a las personas y no tanto a la infraestructura técnica.
Actualmente, un ingeniero puede llegar a perder hasta dos días tratando de localizar la causa raíz de un problema provocado por una modificación indirecta en otro repositorio. Friedman detalla: “Un cambio aparentemente sencillo en una línea puede romper una condición arquitectónica fundamental que otro equipo daba por garantizada. Estos problemas pasan desapercibidos porque el revisor, bajo presión, apenas logra analizar cientos de líneas de código.” 
Con la explosión de solicitudes de extracción de código generadas por inteligencia artificial, el problema se agrava, ya que estas peticiones son un 154 % más extensas, requieren un 91 % más tiempo para revisarlas y contienen un 9 % más de errores según el informe «Estado del desarrollo asistido por IA 2025» de Google DORA.
La revisión entre repositorios, clave en la era del código generado por IA
Para hacer frente a esta creciente complejidad, Qodo ha decidido lanzar tres nuevas funcionalidades esenciales: revisión de código entre repositorios (Cross-Repo Code Review), detección automática de reglas personalizadas (Custom Rules Miner) y un sistema centralizado para gestionar estándares técnicos (Skill Review Standards).
Estas herramientas abordan importantes lagunas de gobernanza que surgen cuando el código generado por IA escala a nivel empresarial. Las arquitecturas multiproceso o multi-repositorio, comunes en aplicaciones modernas, permiten separar funcionalidades según dominios, disciplinas o equipos, pero esto también genera dificultades para mantener la coherencia, navegar por el código y garantizar la calidad.
Friedman recuerda que los errores más graves raramente se limitan a un solo repositorio. Un cambio en bibliotecas compartidas, APIs o esquemas de datos puede provocar fallos en decenas de servicios relacionados. Sin un análisis transversal, estos fallos no se detectan al fusionar cambios.
Automatización inteligente para cumplir estándares no codificados
Los estándares de codificación suelen estar dispersos en wikis, anotaciones de desarrolladores o el conocimiento tácito de ingenieros senior, lo que dificulta su aplicación rigurosa. El sistema Custom Rules Miner de Qodo detecta automáticamente patrones de codificación a partir del comportamiento real del código y del historial de solicitudes de extracción, transformándolos en reglas estructuradas y aplicables dentro de su plataforma.
Según Friedman: “Estos estándares, que antes solo existían en la memoria colectiva o camuflados en prácticas informales, ahora pueden formalizarse y supervisarse, reduciendo la dependencia de la experiencia subjetiva y evitando brechas de conocimiento.”
Formalización y gobernanza centralizada de habilidades
El sistema Skill Review Standards está pensado para gestionar y estandarizar las habilidades codificadas que controlan los flujos de trabajo y las mejores prácticas de desarrollo, especialmente cuando intervienen agentes de IA. Esta funcionalidad facilita un portal centralizado donde se descubren y administran habilidades, permitiendo a los equipos medir su impacto real.
Impactos reales de fallos en calidad de código
Friedman comparte un caso paradigmático sobre la métrica de cobertura de código, que mide qué porcentaje del código se ejecuta en pruebas automatizadas, pero que puede ser un mero indicador superficial si no se verifica el contenido real de esas pruebas. Un amigo suyo celebró alcanzar un 85 % de cobertura sin realizar ninguna aserción en las pruebas, lo que demuestra que se había manipulado la métrica sin validar el comportamiento del código.
“Es un fracaso doble del conocimiento tácito”, comenta Friedman. “El estándar real, que exige validar comportamientos en los tests, estaba solo en la mente de un ingeniero senior. La organización terminó optimizando la métrica en lugar del objetivo real. El sistema de reglas de Qodo cierra esta brecha al aprender los patrones auténticos de los buenos ingenieros y hacerlos cumplir automáticamente.”
Una llamada a cambiar herramientas y procesos
La revolución que trae la IA en el desarrollo de software demanda nuevas herramientas, procesos rediseñados y prácticas laborales adaptadas. Friedman señala que estamos en un punto de inflexión que requiere sistemas con memoria organizacional persistente, capaces de aprender, recordar y aplicar estándares de forma autónoma.
“La revisión multi-repositorio y la gestión centralizada de agentes son necesarias, pero sin una memoria que dé contexto real, estos procesos aún son insuficientes. No se puede hacer una revisión eficaz sin un motor fuerte de contexto, y ese motor es la memoria.”
Para los desarrolladores, el mensaje es claro: no se puede confiar en que el mismo modelo de IA que genera código evalúe objetivamente su calidad. Las grandes modelos de lenguaje (LLM) tienden a afirmar que el código funciona aunque no sea así.
Friedman resume su propuesta con una frase para la cultura del software: “La velocidad sin verificación independiente no es velocidad; es deuda técnica disfrazada”. Dado que el volumen de código generado por IA ya supera la capacidad humana de revisión, el desafío es integrar la gobernanza en el núcleo del ciclo de desarrollo mediante estándares legibles por máquinas, bucles de verificación y visibilidad transversal para que las decisiones humanas supervisen el proceso y no tengan que inspeccionar línea a línea.
Esta innovación de Qodo marca un paso crucial para adaptarse a la era de la inteligencia artificial en el desarrollo de software, donde la colaboración entre humanos y máquinas debe estar mediada por herramientas que aseguren calidad, coherencia y control.
