La revisión de código, ese pilar fundamental en el desarrollo de software, se ha convertido en un cuello de botella. Las herramientas de inteligencia artificial generan código a una velocidad que ningún humano puede igualar, y confiar en que otra IA revise ese código no resuelve el problema de fondo. La salida pasa por adelantar el punto de control humano hacia fases tempranas, centrando la revisión en la intención, las especificaciones, los planes y los criterios de aceptación antes de que se escriba una sola línea de código.
El cuello de botella en las revisiones de código
Incluso antes de la llegada masiva de la IA, el proceso de revisión ya mostraba signos de fatiga. Un estudio de Microsoft que analizó 1,5 millones de comentarios de revisión evidenció que, a medida que una modificación crece en tamaño, el porcentaje de observaciones útiles disminuye notablemente, no solo en cantidad sino en calidad. En la práctica, dejamos de leer el código en profundidad.
Con la adopción creciente de asistentes de IA para escribir código, la situación se ha complicado: los equipos duplican prácticamente el número de solicitudes de cambio que integran, pero el tiempo medio de revisión aumenta un 91%. El motivo es evidente: los desarrolladores se ven saturados y, aunque pueden detectar errores evidentes en el código generado, no pueden dedicar el tiempo necesario para un examen detallado. Esto provoca que a menudo se aprueben cambios sin una revisión exhaustiva de cientos de líneas. 
La revisión de código asistida por IA sigue siendo revisión de código
Frente a esta realidad, la tentación ha sido emplear IA para revisar el código producido por máquinas. Algunos ingenieros experimentados configuran reglas y estándares de revisión en archivos específicos o usan herramientas especializadas para que las IA revisen el trabajo de otras IA. Incluso se han popularizado métodos que simulan la revisión según el estilo de programadores reconocidos como Linus Torvalds o Kent Beck.
Pero esta estrategia presenta tres problemas fundamentales que no se resuelven con ajustes superficiales:
- Inconsistencia: El mismo código puede recibir valoraciones diferentes en revisiones sucesivas, lo que socava la fiabilidad del sistema.
- Falta de comprensión de la intención: La IA revisa los cambios sin entender qué problema se intenta resolver, basándose solamente en patrones de código.
- Puntos ciegos duplicados: Cuando la misma IA escribe y revisa, tiende a pasar por alto los mismos errores, funcionando más como un espejo que como un filtro eficaz.
Estos fallos revelan que convertir los estándares de revisión en reglas para IA es acertado, pero el problema radica en utilizar sistemas que no pueden aplicarlos de forma fiable.
Pasos para superar el ciclo vicioso de la revisión tradicional
Para que un equipo pueda dar un salto cualitativo y librarse de la rutina del ciclo PR (Pull Request) sin perder calidad, debe abordar tres niveles de madurez que se apoyan uno en otro:
1. Transformar retroalimentación en comprobaciones deterministas
Los comentarios en las revisiones pueden dividirse en dos tipos: normas y estándares repetitivos, y juicios sobre el comportamiento específico del código. Los primeros son susceptibles de ser automatizados mediante análisis estático del código o pruebas de ejecución. Por ejemplo, requisitos como «todo nuevo endpoint debe contar con trazas de seguimiento» o «los errores deben registrar métricas» pueden codificarse en reglas automáticas que no requieren revisión humana.
Cuando un equipo clasifica su historial de comentarios, suele descubrir que cerca del 75% son automáticos o verificables mediante tests, con solo una cuarta parte que demandan evaluación humana para aspectos complejos.
2. Adelantar el punto de revisión humana hacia la definición de intención
El objetivo no es eliminar la revisión humana sino desplazarla a etapas tempranas. En lugar de examinar un cambio extenso tras haberse realizado, los revisores evalúan los objetivos, criterios de aceptación, restricciones y posibles impactos antes de que se escriba código.
Esto refuerza la función tradicional de la revisión como mecanismo de compartición de conocimiento, trasladando el foco del código en sí hacia las decisiones que lo sustentan. Muchas veces, la intención está solamente en un prompt de IA, en una incidencia sin documentación adecuada o en la cabeza del desarrollador, lo que dificulta mantener la razonabilidad y trazabilidad en el proceso.
Documentar y validar esas intenciones con reuniones breves o tickets claros simplifica el control posterior y mejora la alineación del equipo.
3. Utilizar inteligencias artificiales para apoyar revisiones donde la automatización pura no alcanza
Existen comentarios que requieren juicio experto o análisis contextual. Aquí, los modelos de lenguaje amplio (LLM) pueden aportar valor evaluando puntos concretos con criterios delimitados rigurosamente, ofreciendo resultados estructurados y evidencias verificables para minimizar errores o confusiones.
Así, la IA no se encarga de dar opiniones abiertas sobre conjuntos de líneas de código, sino de asistir en análisis específicos y bien definidos, complementando pero no sustituyendo a las personas.
Ejemplo práctico: la plataforma Verify de Aviator
Aviator desarrolla un sistema basado en estos principios, llamado Verify, que propone acelerar la revisión impulsando la validación de la intención. Las especificaciones se redactan en colaboración con IA y son validadas por humanos, para que después, ya con el código generado, se verifique que cumple con los criterios acordados.
Antes de enviar un cambio, el agente que ha generado el código envía un resumen del objetivo y comportamiento esperado a verificar. De este modo, la revisión abandona la incertidumbre que genera una evaluación sin contexto y se centra en comprobar resultados contra metas explícitas.
Esta metodología asegura que una misma implementación siempre genera la misma evaluación, mejorando la fiabilidad de la revisión y evitando la reiteración redundante que las IAs no pueden superar hoy.
Un desafío para los equipos de desarrollo
Como ejercicio, cualquier equipo puede analizar su última tanda de comentarios en solicitudes de cambio clasificándolos entre revisiones automatizables, pruebas ejecutables y aquellas que requieren juicio humano. Esto definirá un camino claro para priorizar el desarrollo de reglas y pruebas automáticas que alivien la carga de revisión.
Más que eliminar la revisión de código, se trata de poner la atención en su aspecto menos visible y más decisivo: la intención y la calidad de las decisiones que dan sentido al desarrollo. Así, el código será sólo una consecuencia, no el centro del proceso de validación.
