Un asistente de codificación con IA es una herramienta para desarrolladores que utiliza un modelo de lenguaje grande para ayudar a escribir, completar, explicar, depurar o refactorizar código fuente, típicamente integrado en un editor de código, IDE o interfaz de línea de comandos. Las primeras versiones ofrecían autocompletado línea por línea; a mediados de la década de 2020, la categoría se expandió para incluir herramientas agénticas que pueden leer un repositorio de código completo, planificar cambios en múltiples archivos, ejecutar pruebas e iterar con supervisión limitada, una capacidad habilitada por uso de herramientas.
Historia
La categoría se remonta al autocompletado estadístico y basado en reglas en IDEs más antiguos, pero la era moderna comenzó con GitHub Copilot, anunciado por GitHub y OpenAI en junio de 2021 y construido sobre un descendiente ajustado para código de GPT-3. El lanzamiento público de Copilot en 2022 popularizó las sugerencias fantasma en línea entrenadas en repositorios de código públicos, y su modelo subyacente, Codex, fue evaluado en el benchmark HumanEval que OpenAI presentó junto con él. Los competidores siguieron rápidamente, incluidos CodeWhisperer de Amazon, Tabnine y Ghostwriter de Replit. Una segunda ola pasó del autocompletado a editores agénticos completos y herramientas de línea de comandos: Cursor (2023), un editor bifurcado de VS Code con chat consciente del código base y edición de múltiples archivos, y Claude Code de Anthropic (2025), un agente de línea de comandos con acceso directo al sistema de archivos y al shell. Para 2025, benchmarks como SWE-bench se habían convertido en una forma estándar de medir qué tan bien estos agentes resuelven problemas reales de GitHub por sí solos.
Cómo funciona
La mayoría de los asistentes combinan un modelo especializado en código con contexto del editor: el archivo abierto, la posición del cursor, archivos relacionados y, a veces, un repositorio completo indexado para recuperación. Las variantes agénticas añaden uso de herramientas, lo que permite al modelo leer archivos, ejecutar un linter o un conjunto de pruebas, ejecutar comandos de shell o consultar documentación, y luego usar los resultados para revisar su siguiente paso, un bucle que aplica generación aumentada por recuperación y razonamiento paso a paso a un entorno de desarrollo en vivo. Algunos productos exponen esto a través del Protocolo de Contexto del Modelo, permitiendo que un asistente se conecte a herramientas externas y fuentes de datos mediante una interfaz estandarizada.
Impacto y críticas
Estudios sobre usuarios de Copilot, incluida investigación interna de GitHub y seguimientos académicos, reportaron ganancias de productividad en tareas rutinarias, con algunos estudios aleatorizados que encontraron que los desarrolladores completaban tareas más de un 50% más rápido, aunque los efectos varían ampliamente según el tipo de tarea y el nivel de experiencia. Los críticos han planteado preocupaciones sobre la calidad del código y la seguridad, ya que los modelos pueden reproducir patrones inseguros aprendidos de los datos de entrenamiento; sobre la propiedad intelectual, ya que las sugerencias a veces han reproducido de cerca código con licencia, alimentando disputas más amplias de derechos de autor de IA; y sobre la atrofia de habilidades, la preocupación de que la dependencia del código generado debilite la capacidad independiente de depuración y diseño de los programadores. Los defensores responden que los asistentes liberan a los desarrolladores del código repetitivo y les permiten centrarse en la arquitectura y la revisión. Para 2025, el debate se había extendido a la práctica más radical del vibe coding, donde un usuario dirige un asistente casi por completo en lenguaje natural con poca revisión manual del código.