Robert “Uncle Bob” Martin, autor del influyente libro Clean Code, defendió durante años que el código debe escribirse para que otros humanos lo entiendan y lean. Sin embargo, reconoce que hoy en día el 95 % del código generado por agentes de inteligencia artificial pasa desapercibido para él: «Los humanos somos demasiado lentos para manejar el código al ritmo de los agentes. Si queremos seguirles el paso, tenemos que alejarnos un poco y dejar la supervisión en un nivel alto; la revisión detallada línea a línea probablemente esté fuera de nuestro alcance.»
Este planteamiento refleja una realidad palpable en los equipos de desarrollo actuales: los agentes de IA abren solicitudes de integración (pull requests) a una velocidad imposible de leer exhaustivamente, y la mayoría de los equipos ya no examinan código línea a línea.
En lugar de leer el código en profundidad, Uncle Bob prioriza obtener la máxima inteligencia sobre los cambios sin llegar a sumergirse en el código. Para ello, utiliza una herramienta que representa el proyecto casi como diagramas UML (Lenguaje de Modelado Unificado), permitiéndole expandir, contraer y examinar secciones concretas.
Esta representación visual resalta problemas en rojo, tales como funciones con un puntaje CRAP (Change Risk Anti-Patterns) demasiado alto —un indicador que combina complejidad ciclomatica con la cobertura de pruebas para señalar código complejo y mal probado—, puntuaciones bajas en tests de mutación y dependencias orientadas incorrectamente.
El agente está conectado a este diagrama y permite hacer simulaciones de cambios estructurales antes de que el código fuente sea generado. Esto facilita evaluar aspectos como la partición del sistema, la dirección de las dependencias y garantizar que las partes que cambian con frecuencia estén desacopladas de las que no.
Como explica Uncle Bob, «este era el sueño original de UML, pero entonces era algo estático que se hacía antes de programar. Ahora es una herramienta dinámica que usamos tras la escritura del código.»
Nadie lee el código completo
Ray Myers, ingeniero que debate sobre la lectura de código, señala que nadie deja de leer código por completo. Los desarrolladores simplemente han adaptado la forma en que lo hacen. Algunos saltan partes de bajo riesgo, otros confían en suites de pruebas automatizadas o dashboards, mientras que ciertos profesionales solo leen aspectos relacionados con el diseño y la mantenibilidad. Pero todos verifican alguna forma de información, no lo hacen sin más.
¿Qué se debería leer cuando el código no se lee?
En el debate sobre la revisión automática de código, está claro que la labor tradicional de revisión abarca dos tareas fundamentales: alinear al equipo y verificar estándares. Con la irrupción de la IA, estas funciones se separan y requieren nuevos enfoques.
Una revisión moderna debería centrarse en tres tipos clave de información:
1. Intención
Qué busca resolver el cambio, qué incluye y qué se ha dejado fuera deliberadamente. Esta intención está plasmada en las indicaciones dadas a la IA durante la generación, es decir, en los prompts y la interacción con el agente.
2. Criterios de aceptación
Se definen en dos capas: primero, los criterios específicos para ese cambio concreto; y segundo, los principios invariantes que el equipo ha fijado para mantener sus estándares (como un «registro anti-error» para código generado por IA). Un agente verificador independiente evalúa estos criterios y aporta evidencias para la revisión. Con esta información, el revisor humano se pregunta: ¿estamos resolviendo el problema adecuado bajo las limitaciones correctas?
3. Decisiones
Las elecciones arquitectónicas, conductuales y técnicas que se han tomado durante el desarrollo: qué librerías se usan, el diseño del modelo de datos, qué ocurre ante fallos o tiempos de espera, o qué funcionalidades se han decidido no implementar. Aunque buena parte del código generado es repetitivo, estas decisiones reflejan la aportación humana real y merecen ser revisadas y debatidas cuidadosamente entre los ingenieros.
Mantener el modelo mental del sistema
El intercambio de conocimiento y la construcción del modelo mental colectivo del código no son consecuencias accidentales de la revisión, sino su esencia. Mitchell Hashimoto denomina a esta práctica «defensa frente a la pizarra»: todo desarrollador debería poder explicar el funcionamiento del sistema, justificar las decisiones y conocer sus puntos débiles, sin necesidad de memorizar nombres específicos de funciones.
Leer la intención, los criterios y las decisiones permite conservar ese modelo mental, aunque no se revise cada línea de código generado por la IA, evitando que la dependencia recaiga únicamente en un ingeniero senior que lo sepa todo.
La lectura parcial es la nueva norma
David Poll, responsable del equipo de revisión de código en GitHub, considera que la pregunta no es si se lee o no el código, sino que la atención se dirija a los puntos donde realmente importa aplicar el juicio humano. Esto implica que las partes significativas se examinen en profundidad, mientras que otras puedan quedar fuera del foco con confianza, siempre y cuando se disponga de información clara y confiable en su lugar.
La responsabilidad sigue siendo humana
Por último, Uncle Bob recuerda que aunque los agentes de IA generen código y contribuyan en la revisión, no son responsables de nada. La responsabilidad última recae en los humanos. El ingeniero que aprueba y fusiona un cambio es quien asume esa propiedad, independientemente de si ha leído cada línea de código o no.
En resumen, aunque la lectura de código como la conocíamos cambia radicalmente, la supervisión, el entendimiento y la responsabilidad humana permanecen inamovibles en el centro del desarrollo con inteligencia artificial.