Panel de Programación para el Futuro

Se inicia el panel titulado 'El Futuro de la Programación con IA' con una bienvenida humorística sobre el código de vestimenta de negro. El moderador presenta a los participantes principales: Matan de Factory, representantes de OpenAI y Vercel, cada uno trayendo perspectivas diferentes sobre agentes de programación con IA. El objetivo es explorar cómo diferentes empresas están abordando el desarrollo de agentes de software y su impacto en la ingeniería moderna.

Matan explica que Factory ha construido agentes de desarrollo de software end-to-end llamados 'droids' que van más allá de la programación, cubriendo documentación, pruebas y revisión de código. Estos droids automatizan las tareas tedious para permitir que los ingenieros se enfoquen en las partes creativas del desarrollo. La misión es llevar autonomía completa al ciclo de vida del desarrollo de software, eliminando trabajo repetitivo mientras mantiene el control en decisiones importantes.

El representante de OpenAI describe la evolución del producto, comenzando con el CLI de Codex que trae modelos de razonamiento a máquinas locales, pasando por Codex Cloud para tareas distribuidas en la nube, y recientemente unificando estas experiencias. Se destaca el lanzamiento del SDK de Codex y la dirección de permitir agentes para tareas de propósito general más allá de programación. El enfoque es hacer que las primitivas fundamentales sean lo más útiles posible, permitiendo que desarrolladores construyan sobre modelos de razonamiento y herramientas de sandboxing integradas.

Se presenta V0 de Vercel como una herramienta que permite programación agéntica impulsada por vista previa en tiempo real. En lugar de tener abiertos separadamente un IDE y una vista previa, V0 permite que un agente ejecute prompts directamente contra una aplicación en ejecución. Este enfoque reduce la fricción entre idealización y construcción, representando la visión futura de cómo los desarrolladores interactuarán con herramientas de programación con IA, especialmente en desarrollo web.

Los panelistas discuten la importancia relativa de ejecutar agentes localmente versus en la nube. Se establece que eventualmente deben converger hacia el mismo lugar, pero a corto plazo tienen propósitos diferentes: lo remoto es mejor para tareas pequeñas y bien definidas de las que estás seguro, mientras que lo local es mejor para tareas complejas donde quieres supervisión activa. Se argumenta que la decisión depende fundamentalmente de dónde residan los recursos con los que el agente necesita trabajar, y que los agentes deben poder ejecutarse en cualquier lugar con herramientas transmisibles entre entornos. Un ejemplo concreto describe cómo se usó Codex localmente durante ideación en pizarra y luego en una aplicación Next.js, mostrando la importancia de tener ambas modalidades disponibles.

Se aborda la preocupación sobre si los agentes generan 'basura', argumentando que el valor depende de la claridad de las instrucciones. Un repositorio sin documentación puede obtener documentación generada por IA que, aunque sea 'improvisada', sigue siendo más útil que nada. La metáfora de contratar un ingeniero junior ilustra cómo ambigüedad resulta en resultados mediocres. Se enfatiza que los agentes son amplificadores del oficio: aumentan la productividad de ingenieros experimentados de 5,000 a 50,000 líneas de código diarias, mientras que también elevan el piso de lo que pueden hacer los principiantes. Los agentes no reemplazan habilidad; amplifican la que ya existe.

Se discute un patrón interesante en adopción empresarial: ingenieros de carrera temprana son más abiertos a desarrollo nativo de agentes pero carecen de experiencia delegando, mientras que ingenieros experimentados saben cómo especificar exactamente lo que necesitan pero frecuentemente se resisten a cambiar su flujo de trabajo. Factory observa que en empresas, ingenieros senior escriben especificaciones detalladas que entregan a ingenieros junior, quienes luego delegan a agentes. Esto crea un flujo natural donde la fortaleza de cada nivel contribuye: seniors hacen arquitectura y especificación, juniors intermedian con agentes que implementan. Se menciona agents.md como ejemplo de instrucciones personalizadas diseñadas para ser genéricas entre diferentes agentes, desarrolladas en forma colaborativa iniciando en sesiones de brainstorming en pizarra.

Se hace referencia al lanzamiento reciente de GPT-5 Codex hace aproximadamente dos meses, que ha permitido a los agentes ejecutar tareas más largas, complejas y ambiguas durante horas si el usuario es claro sobre el resultado deseado. Esto representa un cambio fundamental donde el modelo puede trabajar de manera mucho más autónoma en problemas que antes habrían requerido intervención frecuente. El progreso continuo en capacidades de modelos está directamente habilitando nuevos casos de uso que eran imposibles hace meses, demostrando la trayectoria rápida de mejora en razonamiento y ejecución de agentes de programación.

Se conceptualiza que hacer funcionar un agente requiere tres componentes: el loop del agente en sí, las llamadas a herramientas que realiza, y los recursos sobre los que esas herramientas actúan. La decisión de ejecutar localmente o en nube depende de dónde residan típicamente esos recursos, pero finalmente todos esperan que un agente pueda trabajar con ambos: sistema de archivos local y repositorios remotos en GitHub. La visión es que el loop del agente sea ubicuo, las herramientas se transmitan flexiblemente entre entornos nube-local, y todo dependa pragmáticamente de dónde estén los datos que necesitan ser modificados. Esto indica una arquitectura futura más integrada y flexible que las soluciones actualmente compartimentadas.

Los panelistas discuten la importancia creciente de modelos de código abierto en su infraestructura de agentes. Factory reporta que cuando pusieron a prueba modelos abiertos como GLM en su benchmark Terminal Bench, los resultados fueron impresionantemente cercanos a modelos fronterizos, aunque no idénticos. Se observa que la demanda de modelos abiertos ha crecido significativamente desde el lanzamiento, impulsada por factores de costo, control y observabilidad. Vercel utiliza un enfoque híbrido: modelos cerrados para razonamiento de última generación en problemas abiertos, y modelos abiertos fine-tuneados para tareas especializadas con objetivos claros. Se menciona que hace año y medio era impensable usar código abierto en partes del pipeline V0, mientras que hoy constantemente se investiga su incorporación. El porcentaje de tokens de modelos abiertos ha aumentado de aproximadamente 5% a principios de año a una proyección de 10-20% en el futuro cercano. Se destaca que incluso proveedores de modelos cerrados están invirtiendo en versiones más pequeñas (Haiku, GPT-4o Mini, Gemini Flash) que compiten directamente con código abierto fine-tuneado.

Se proyecta que en el próximo año, los agentes evolucionarán dramáticamente en tres dimensiones clave. Primero, la cantidad de pasos que un agente puede ejecutar confiablemente crecerá de 1-3 hace un año a 100-200+, manteniendo tasas de éxito superiores al 90%. Segundo, las tareas de larga duración ejecutarán durante horas (incluso duraciones de jornada laboral completa), permitiendo que ingenieros deleguen trabajo que luego revisen. Tercero, y más crucialmente, los agentes pasarán de requerir que el usuario especifique todas las fuentes de contexto a descubrirlas automáticamente y proactivamente. Actualmente esto requiere conocimiento técnico para configurar MCPs o APIs, pero el objetivo es que funcione automáticamente sin intervención del usuario. OpenAI destaca que quieren crear el 'súper colaborador' ideal: el colega al que recurres primero para intercambiar ideas. El progreso en confiabilidad y proactividad, más que en capacidades brutas, será el parámetro que más cambiará, aunque también dependerá de cómo usuarios configuren sus entornos. Se cierra con una referencia a visión por computadora como área de investigación adicional, sugiriendo que la expansión de agentes irá más allá de programación pura.