Las herramientas de inteligencia artificial (IA) están transformando la forma en que se desarrolla software, multiplicando la velocidad de generación de código. Sin embargo, este incremento de productividad puede tener un coste: un estudio reciente de Carnegie Mellon detectó que aunque se añadieron entre tres y cinco veces más líneas de código durante el primer mes tras la adopción de herramientas como Cursor, ese impulso se desvanecía a los dos meses. Además, se constató un aumento del 30% en las advertencias de análisis estático y un 41% en la complejidad del código, lo que indica un crecimiento persistente de la deuda técnica.
Tom Howlett, director de Ingeniería de IA en Sonar, explica a The New Stack que, mientras la generación de código se acelera, la verificación no ha seguido el mismo ritmo. En equipos que continúan confiando principalmente en la revisión manual, el incremento exponencial de líneas genera un cuello de botella, pues la revisión se vuelve mucho más lenta y costosa.
El problema se agrava porque los agentes de IA no siempre realizan los ajustes mínimos necesarios para implementar una funcionalidad. Sin el contexto completo del código existente, pueden hacer suposiciones erróneas, generar código innecesario y aumentar la complejidad. Esto deriva en código más extenso y difícil de mantener, aumentando la deuda técnica en lugar de reducirla. 
Ante este panorama, los líderes de ingeniería deben comprender que una generación más rápida no garantiza mayor valor. Es indispensable asegurar que el código cumple la funcionalidad esperada y los estándares de calidad. Sonar sintetiza esta realidad en su «fórmula de confianza»: intención x normas x verificación x evidencias. Según Howlett, esta fórmula es un proceso multiplicativo donde la ausencia o falla de cualquiera de los cuatro factores compromete totalmente la confianza en el código generado.
Para hacer realidad esta fórmula, es necesario integrar la verificación contínua en tres loops relacionados que conforman el ciclo de desarrollo actual:
- Loop agentic: durante la creación del código, donde el agente IA recibe orientación, genera código, lo verifica y puede corregir errores inmediatamente.
- Loop de verificación CI: evaluación independiente del cambio completo antes de integrarlo en el repositorio compartido, con controles automáticos de calidad, seguridad y mantenimiento.
- Loop de mantenimiento: análisis continuo de la base de código para detectar y resolver problemas heredados, vulnerabilidades y deuda técnica que podrían obstaculizar desarrollos futuros.
Este enfoque continuo permite mantener estándares estrictos mientras se aprovecha la velocidad que ofrecen los agentes IA.
La disciplina olvidada: la verificación integrada
Howlett compara la práctica común donde el modelo de IA revisa su propio código con un «estudiante corrigiendo su propio examen», lo que no garantiza fiabilidad total. Dado el carácter probabilístico de estos agentes, pueden pasar por alto errores que solo una revisión independiente detectaría.
El aumento de pull requests más grandes y frecuentes hace inviable solo la revisión manual, ya que bajo presión muchos desarrolladores aprueban cambios sin inspección detallada. Anirban Chatterjee, director de marketing de producto en Sonar, resalta que esperar a la revisión final puede significar que el mismo error se repita varias veces, y la verificación automatizada temprana busca impedir que esas fallas lleguen a la fase de revisión colaborativa.
Loop 1: El loop agentic, mejorar la efectividad en la creación
El ciclo de desarrollo centrado en el agente (AC/DC) de Sonar incluye la guía, generación, verificación y corrección dentro de un flujo de trabajo propio de los agentes IA. La verificación automatizada sucede en tiempo real mientras el agente escribe el código, lo que permite corregir fallos antes de que se acumulen o afecten otras partes.
El conocimiento contextual es crucial, pues los agentes no poseen el entendimiento profundo del código que tienen los programadores experimentados, quienes conocen la arquitectura y las buenas prácticas del proyecto. Sin esta información, los agentes pueden generar cambios demasiado amplios o redundantes.
Por eso, proporcionar a los agentes datos precisos sobre estándares de proyecto, historial de problemas y estructura, reduce búsquedas improductivas y mejora la calidad del código generado. Además, la verificación en esta fase no consume recursos de modelos generativos adicionales, pues se basa en análisis computacionales eficientes.
Loop 2: El loop de verificación CI, escalar la confianza en la integración
Tras el ciclo agentic, el loop de verificación a través de Integración Continua (CI) examina el cambio completo antes del merge al repositorio compartido. Este proceso automatizado revisa calidad, seguridad, dependencias y mantenibilidad, aplicando los estándares organizativos mediante una puerta de calidad clara.
Esta capa no sustituye la responsabilidad humana, sino que permite que los programadores se enfoquen en decisiones complejas y riesgos críticos, dejando la revisión rutinaria y repetitiva a la automatización. Así, es posible gestionar el volumen y la rapidez que aporta la IA sin perder control.
El nivel de escrutinio debe adaptarse según el riesgo: aplicaciones internas con bajo impacto pueden tener revisiones más ligeras, pero sistemas críticos como los bancarios demandan múltiples capas de verificación y supervisión humana reforzada, dentro de un enfoque de cero confianza y seguridad por capas.
SonarQube realiza análisis automáticos identificando errores, vulnerabilidades y problemas de arquitectura en tiempo real. Además, con la integración de Gitar, herramienta adquirida en 2026, ofrece revisiones comentadas, resúmenes y diagramas potenciados por IA para soportar la carga de trabajo de revisión.
Loop 3: El loop de mantenimiento, preservar el retorno a largo plazo
La base de código evoluciona constantemente, y la calidad del código actual afecta directamente a futuros agentes que trabajarán sobre él. Código de mala calidad, patrones incoherentes y deuda técnica se retroalimentan y complican el trabajo futuro.
Por ello, mantener la calidad del código es indispensable para escalar el uso de IA. Chatterjee aconseja invertir en la limpieza continua de bug, vulnerabilidades y problemas estructurales para ofrecer una base sólida que facilite una generación y verificación más efectivas.
Este ciclo de mantenimiento es una actividad constante que identifica y corrige defectos antes que impacten negativamente en nuevas funcionalidades. Sin este mantenimiento, los agentes consumen más recursos y aportan menor valor, dificultando la verificación.
Conseguir velocidad con confianza en la programación asistida por IA
Para que las organizaciones escalen con éxito las herramientas de IA en desarrollo, es fundamental acordar una definición clara y compartida de software de calidad. A partir de ahí, la verificación debe quedar integrada en el flujo de trabajo, no relegada a la última fase.
Los expertos recomiendan:
- Definir la intención y establecer estándares comunes claros, incluyendo calidad, seguridad y mantenibilidad.
- Preparar la base de código, priorizando la corrección y actualización continuas.
- Experimentar con herramientas IA de forma controlada y comparativa.
- Implementar verificación automatizada desde las primeras fases de creación.
- Aplicar gobernanza ajustada al riesgo, proporcionando contexto y límites claros a los agentes, y habilitando capas adicionales de revisión humana donde el impacto sea crítico.
Tom Howlett también señala la importancia de medir indicadores realistas, como la reducción en el tamaño de los pull requests, la mejora en la frecuencia de despliegues y la disminución del ciclo completo de desarrollo, alertando de que un aumento indiscriminado de líneas de código puede indicar problemas mayores.
En definitiva, el verdadero valor de la programación asistida por IA reside en la confianza que los equipos tengan para utilizar ese código de forma segura y efectiva. La integración de tres loops de verificación —agentic, CI y mantenimiento— transforma la mera generación en una velocidad fiable, potenciando la agilidad sin sacrificar calidad. SonarQube se posiciona así como una plataforma independiente que aplica esta disciplina en entornos y herramientas diversas, reforzando la seguridad y sostenibilidad del desarrollo con IA.
