El auge de la codificación agéntica de 2025 se refiere a un rápido aumento en la adopción y el desarrollo de agentes de codificación autónomos de IA, como Devin y Claude Code. Estos agentes, construidos sobre grandes modelos de lenguaje, pueden planificar, escribir, depurar y ejecutar código a través de múltiples pasos con una intervención humana mínima, lo que marca un cambio respecto a los asistentes de IA similares a herramientas que solo sugerían fragmentos de código. El auge fue impulsado por avances en el razonamiento de los modelos, el lanzamiento de protocolos estandarizados como el Protocolo de Contexto de Modelo (MCP) de Anthropic a finales de 2024, y una creciente inversión de capital de riesgo en herramientas de desarrollo de software con IA.
A diferencia de los chatbots tradicionales que responden a indicaciones, los agentes de codificación agénticos operan con un comportamiento dirigido a objetivos, utilizando herramientas externas como interfaces de línea de comandos, navegadores web y repositorios de código. Pueden modificar archivos, ejecutar pruebas e iterar sobre soluciones, a menudo con un usuario que proporciona solo instrucciones de alto nivel. A mediados de 2025, estos agentes se estaban integrando en los principales entornos de desarrollo, incluidos los de OpenAI, Anthropic, y startups como Cursor, y se utilizaban cada vez más en tareas de ingeniería de software de producción.
Contexto Histórico
El concepto de agentes de IA tiene raíces en la cibernética y la investigación de inteligencia artificial de mediados del siglo XX. El artículo de 1958 de Oliver Selfridge "Pandemonium: A Paradigm for Learning" propuso una arquitectura orientada a agentes. Las implementaciones prácticas de agentes surgieron en la década de 1990 con el modelo de software de creencia-deseo-intención (BDI) y la programación orientada a agentes. Los primeros agentes usaban lógica simple de si-entonces que se expandía en grandes árboles de decisión. A principios de la década de 2010, productos de consumo como Siri y Alexa a veces se llamaban agentes de IA, pero carecían de razonamiento de propósito general.
El estudio académico de los agentes basados en LLM comenzó alrededor de 2018. El despliegue se aceleró a finales de 2023 después de que OpenAI introdujera su API de llamada de funciones, que permitía a los modelos invocar herramientas externas. La introducción a finales de 2024 del Protocolo de Contexto de Modelo por parte de Anthropic estandarizó cómo los agentes obtienen conciencia contextual y actúan sobre el mundo, permitiendo una mayor interoperabilidad. El término "agéntico" ganó popularidad en 2024, en parte debido a la defensa del investigador Andrew Ng.
Actores Clave y Tecnologías
Los principales laboratorios de IA lideraron el auge. OpenAI lanzó agentes de codificación como Codex y, más tarde, Operator para tareas de navegador. Claude Code de Anthropic, lanzado a principios de 2025, se convirtió en un agente de línea de comandos ampliamente utilizado. Google DeepMind y otras empresas también introdujeron agentes de codificación. Startups como Cognition (creador de Devin), Cursor y Replit recaudaron financiación sustancial. Los modelos subyacentes, incluidos GPT-4, Claude 3.5 y Gemini, mejoraron en la generación de código y la planificación de múltiples pasos, haciendo factibles los flujos de trabajo agénticos.
Los proveedores de infraestructura se adaptaron al auge. AWS, Microsoft Azure y Google Cloud ofrecieron cómputo especializado y servicios de orquestación de agentes. TSMC y Nvidia (aunque no en la lista proporcionada, Nvidia es un actor clave) suministraron hardware optimizado para la inferencia de LLM. Los modelos de código abierto de Meta y otros también permitieron el despliegue local de agentes de codificación.
Cómo Funciona la Codificación Agéntica
Los agentes de codificación agénticos utilizan una arquitectura cognitiva que incluye un modelo fundacional, operaciones de datos, marcos de agentes, infraestructura de despliegue, evaluación, seguridad y una interfaz de ecosistema. El arnés del agente, una capa de software que rodea al LLM, gestiona las indicaciones, el contexto, el uso de herramientas, la memoria, el estado de ejecución, los entornos de prueba y los permisos. Conecta el modelo a recursos internos y externos como sistemas de archivos, bases de datos, navegadores web y API.
Los patrones de orquestación gobiernan cómo los agentes ejecutan tareas. Los patrones comunes incluyen el encadenamiento de indicaciones, donde la salida de un paso alimenta el siguiente; el enrutamiento, que dirige las entradas a herramientas especializadas; la paralelización, para tareas simultáneas; el procesamiento secuencial, para pipelines fijos; y el planificador-crítico, donde un agente propone y otro evalúa. Estos patrones permiten a los agentes manejar proyectos de codificación complejos y de múltiples pasos.
Impacto en el Desarrollo de Software
El auge transformó los flujos de trabajo de los desarrolladores. A mediados de 2025, las encuestas indicaban que un porcentaje significativo de desarrolladores profesionales usaban agentes de codificación de IA a diario, y algunos informaban que los agentes escribían hasta el 40% del código nuevo en sus organizaciones. Este cambio redujo el tiempo para tareas repetitivas, pruebas automatizadas y corrección de errores, pero también generó preocupaciones sobre la calidad del código, las vulnerabilidades de seguridad y el desplazamiento laboral. Empresas como Apple, Samsung Electronics e Intel comenzaron a integrar herramientas agénticas en sus procesos de desarrollo internos.
Tanto startups como empresas establecidas adoptaron agentes para tareas como refactorizar código heredado, generar pruebas unitarias y gestionar dependencias. Las herramientas OpenAI Deep Research y Anthropic extendieron las capacidades agénticas a la investigación y el análisis, pero la codificación siguió siendo la aplicación más madura.
Desafíos y Limitaciones
A pesar del auge, los agentes de codificación agénticos enfrentaron limitaciones. A veces producían código incorrecto o inseguro, especialmente en bases de código desconocidas. Requerían un sandboxing cuidadoso para prevenir acciones no intencionadas, como eliminar archivos o realizar llamadas de red no autorizadas. El Financial Times comparó la autonomía de los agentes con los niveles de conducción autónoma del SAE, señalando que la mayoría de los agentes de codificación operaban en el nivel 2 o 3, con el nivel 4 en contextos limitados y el nivel 5 teórico.
La seguridad y el cumplimiento se volvieron críticos. Los agentes necesitaban sistemas de permisos robustos, pistas de auditoría y escaneo de vulnerabilidades. El Centro de Investigación Atómica Bhabha y otras instituciones exploraron el despliegue seguro de agentes. A abril de 2025, Associated Press informó pocas aplicaciones del mundo real más allá de la codificación, pero el campo evolucionó rápidamente.
Ecosistema Más Amplio y Aplicaciones
Más allá de la codificación, la IA agéntica se expandió a otros dominios. The Information identificó siete arquetipos: agentes de tareas empresariales, agentes conversacionales, agentes de investigación, agentes de análisis, agentes de desarrollo de software, agentes de dominio específico y agentes de navegador web. A mediados de 2025, los agentes se usaban en el desarrollo de videojuegos, juegos de azar, billeteras de criptomonedas y redes sociales. Empresas como Waymo y Tesla aplicaron principios agénticos a la conducción autónoma, aunque con diferentes restricciones.
Instituciones de investigación, incluidas MIT CSAIL, Stanford AI Lab y BAIR (Berkeley AI Research), estudiaron arquitecturas de agentes y seguridad. La University of Toronto y la Carnegie Mellon University contribuyeron con trabajo fundamental sobre transformadores y redes neuronales. El auge también impulsó la inversión en AI21 Labs, Inflection AI y otras startups.
Perspectivas Futuras
A finales de 2025, el auge de la codificación agéntica mostraba signos de maduración. Los analistas predijeron que los agentes se volverían más confiables, con mejores modelos del mundo y entornos de aprendizaje por refuerzo para el entrenamiento, como se vio en Minecraft y entornos de sitios web réplica. La integración de modelos de visión-lenguaje y agentes multimodales, como los de Microsoft y Nvidia, prometía extender los agentes de codificación a tareas visuales y robóticas.
Sin embargo, quedaban desafíos en la evaluación, la observabilidad y la seguridad. El Open Panel y otras iniciativas buscaron estandarizar los puntos de referencia de agentes. El impacto a largo plazo en los empleos de ingeniería de software era incierto, pero el auge ya había remodelado la industria, haciendo de la codificación autónoma una parte central del panorama de la IA.