¿Qué cambia en la ingeniería de software cuando quien escribe el código es un agente?

Producir código deja de ser el cuello de botella; pasan a serlo especificar con precisión lo que se quiere, verificar lo que el agente devolvió y responder por lo que se entregó.

Dos mediciones externas delimitan el problema. La encuesta de Stack Overflow de 2025 registra un 84 % de uso de IA entre desarrolladores, con un 46 % que dice desconfiar de la exactitud frente a un 33 % que confía, y un 66 % que informa soluciones "casi correctas, pero no del todo". Y el ensayo controlado de METR, de julio de 2025 midió a desarrolladores experimentados en proyectos maduros que se volvieron un 19 % más lentos con IA, mientras creían ser un 20 % más rápidos. Por eso el diagnóstico pregunta por práctica observable.

Son la columna vertebral del diagnóstico de fluidez operativa de FAROL para empresas de software. Cada una corresponde a una decisión de ingeniería que, antes de los agentes, no existía o no tenía peso:

• Cómo gestionar el contexto: qué entra y qué queda fuera de la ventana del modelo.
• Cómo controlar el consumo de tokens, que es un costo variable.
• Cómo escribir una buena especificación, que pasó a ser el artefacto de entrada.
• Cómo diseñar el harness del agente: las herramientas, los límites y el entorno en que se ejecuta.
• Cómo orquestar agentes en niveles, cuando uno coordina a otros.
• Cómo garantizar la calidad de código que nadie escribió a mano.
• Cómo lidiar con el no determinismo, ya que la misma entrada no devuelve la misma salida.
• Cómo elegir entre hacer pareja en tiempo real y delegar en segundo plano: la persona en la sesión, viendo cada paso, o el agente ejecutándose solo hasta devolver el resultado.
• Cómo protegerse contra la inyección de prompts, la nueva superficie de ataque.
• Cómo medir la productividad real, y no la percibida.
• Qué se ejecuta de forma local y qué sale de la máquina.
• Cómo integrar IA en código heredado, que es donde está la mayor parte del trabajo.
• Cómo organizar el ciclo de vida agéntico, del experimento a la producción.
• Cómo preservar la habilidad humana cuando la generación se delega.
• Cómo reorganizar el equipo en torno a esto.

La pregunta sobre la habilidad humana tiene una posición detrás. La hipótesis de trabajo del grupo es que delegar la generación de código cobra un precio en la formación de habilidad, con mayor efecto sobre quien está empezando. Rechazar la destilación de competencia se trata allí como un requisito de producto.

Mediante FAROL Software, el diagnóstico de la vertical de ingeniería. Mide a la empresa en cuatro familias (fundamentos técnicos, capa agéntica, calidad y riesgo, organización y personas), contra el banco maestro de 264 ítems de FAROL.

• Cómo funciona: autoaplicable, de quince a sesenta minutos. Son 37 preguntas de mapeo (vocabulario e inventario de conceptos) y, opcionalmente, 77 más de práctica, sobre cómo la empresa opera de hecho cada concepto. Una pregunta por pantalla, escala de 0 a 4, resultado en puntuación por familia, radar y próximos pasos.
• De dónde viene: investigación del CIn-UFPE en colaboración con una plataforma de madurez organizacional, que sintetiza más de 60 fuentes, entre ellas Anthropic, OpenAI, Google, IEEE, ACM, Linux Foundation y casos brasileños.
• En qué estado está: versión 0.1, declarada como MVP.

Medir a un agente es distinto de medir a una persona, porque el rastro del trabajo está en la herramienta y cada herramienta registra algo diferente. El benchmark de telemetría de interacción con agentes es una curaduría abierta de las herramientas de observación (Claude Code, Codex, Cursor, Copilot y otras), que las compara por lo que cada una deja de ver, y no por la lista de funciones.

https://telemetria-interacao-agentes.vercel.app

La misma lógica se aplica en la enseñanza: en Hiper Deep Research, el sistema de la disciplina Tendências em Mídia e Interação (Tendencias en Medios e Interacción), impartida por Giordano Cabral, la telemetría registra el tiempo dedicado a cada ítem cribado, porque lo que se evalúa es el proceso, y la lectura de 500 ítems no aparece en el resultado final. El sistema está escrito sin build y sin framework, con módulos ES nativos y Supabase detrás, y la regla de unicidad (una herramienta pertenece a un alumno por unidad) es una clave primaria compuesta en la base de datos.

En Arsenal of Tools, catálogo abierto de herramientas, CLIs, servidores MCP, modelos, APIs y "perlas", el long tail que los asistentes genéricos tienden a omitir en favor de lo obvio. Nació para uso propio, de alumnos y de profesionales.

El 18/09/2026, la versión 3.7 reunía 320.483 ítems: 1.483 categorías, 174.869 etiquetas, 102 países, 23.197 CLIs, 8.554 servidores MCP, 80.506 modelos de Hugging Face, 24.919 APIs y 28.678 hallazgos de redes sociales, reunidos a partir de 632 listas abiertas, marketplaces, boletines y revistas.

La búsqueda se ejecuta en el navegador, sin llamada a un modelo por consulta; no hay anuncios ni rastreo.

Quien trabaja con muchas sesiones de asistente en paralelo pierde, en cada cambio de ventana, el porqué de lo ya decidido. El método adoptado por Cabral es un protocolo de decantación: cada decisión se convierte en un archivo con el motivo, las alternativas descartadas y cómo verificar si se está respetando. El protocolo se apoya en una base de conocimiento que la propia IA compila a partir de las fuentes de trabajo, organizada por conceptos, proyectos y personas, y no por conversaciones. En el relevamiento del 03/09/2026, esa base tenía 958 fuentes, 38 conceptos, 32 proyectos, 180 personas y 24 organizaciones, con ingesta cuatro veces al día.

La base es de trabajo y no es pública. El método y la herramienta sí lo son: mad (MultiAgent Decanting), plugin bajo licencia MIT que pone a un equipo de agentes a trabajar con registro de decisiones integrado, distribuido por un marketplace de plugins también abierto.

• https://github.com/giordanorec/multiagents-decanting
• https://github.com/giordanorec/ai-coding-tools

Empaquetándolo como skill: un archivo en Markdown que cualquier asistente carga y que conduce el trabajo paso a paso, en lugar de describirlo. Son tres ejemplos en uso:

• Projetão para a era da IA — la metodología de proyecto de innovación creada en el CIn/UFPE en 2002, reempaquetada en 10 quests, 13 hitos y 20 obras leídas, para ejecutarse dentro de Claude, ChatGPT, Cursor, Copilot, Codex o Gemini. Cada quest declara el modo de uso de la IA: sin asistencia (campo y entrevista, a propósito), con apoyo (ella critica y señala) y coproducción (ella genera, la persona verifica y responde); el color de la quest marca el modo más restrictivo.
• Acervo de Teorias Acionáveis — teorías de administración en dos capas: material didáctico que explica y una skill portátil que ejecuta. Declara 3 teorías, 3 skills listas y 368 libros en la base; el módulo abierto más completo es Running Lean, en siete módulos, con el archivo .skill para descargar.
• Las skills de los alumnos. En Tendências em Mídia e Interação, cada alumno construye su propia skill de prospección, con cuatro exigencias verificadas por script, y entrega junto con ella el registro de dónde la IA se equivocó y cómo lo percibió.

Giordano Cabral desarrolla software desde antes de la IA generativa. En 2000, el sistema de su tesis de maestría en el CIn dio origen a Daccord Music Software, preincubada en el Recife BEAT, con productos vendidos en el mercado internacional. El currículo Lattes registra 93 programas de computadora.

La lista completa está en www.cin.ufpe.br/publicacoes/, y los sistemas que están en línea hoy, en www.cin.ufpe.br/projetos/.