El nuevo ciclo de desarrollo: del “vibe coding” a la ingeniería agéntica

Durante décadas, programar fue sinónimo de escribir código: traducir una idea, línea a línea, a un lenguaje que la máquina entiende. Ese supuesto se está derrumbando. Con agentes de IA capaces de generar funciones, módulos y sistemas enteros a partir de una descripción, la parte más lenta del trabajo (teclear) ya no es el cuello de botella. ¿Qué cambia cuando generar código se vuelve barato y abundante? Todo lo que viene antes y después de él.

En su whitepaper The New SDLC With Vibe Coding, Google describe este giro como un paso “de escribir código a expresar intención”. La generación, sostienen los autores, está esencialmente resuelta. Lo que queda como oficio (y como diferencial competitivo) es otra cosa: verificar, juzgar y dirigir. Este artículo es una síntesis de ese mapa, generalizada más allá del código: vale para quien construye cualquier sistema agéntico, incluidos los asistentes de IA en operación.

La generación está resuelta. La verificación, el juicio y la dirección son el nuevo oficio.Google · The New SDLC With Vibe Coding

Un espectro, no una frontera

Es tentador oponer el “vibe coding” (improvisar con la IA, aceptando lo que escupe) a la “ingeniería de verdad”. Pero el documento trata a ambos como puntos de un mismo espectro, con la codificación asistida estructurada en el medio. Lo que cambia a lo largo de ese eje es cuánta estructura, verificación y juicio humano rodean a lo que la IA produce.

• Vibe coding: rápido y exploratorio. Describes, la IA genera, pruebas por intuición. Ideal para prototipos y descartables; arriesgado para lo que va a producción.
• Codificación asistida estructurada: la IA genera, pero sobre raíles (archivos de reglas, patrones definidos, revisión deliberada de cada cambio).
• Ingeniería agéntica: la IA opera dentro de un sistema de verificación, contexto y gobernanza que tú diseñaste; el resultado es fiable porque el entorno lo hace fiable.

Ningún extremo es “correcto” en absoluto. La improvisación es legítima para descubrir una idea; la ingeniería es obligatoria para mantenerla viva. La madurez está en saber en qué punto del espectro necesitas estar para cada tarea, y subir el nivel de rigor a medida que aumenta el riesgo.

La verificación es la gran divisoria

Si generar se volvió fácil, confiar en ello es lo difícil. Google señala la verificación como el mayor diferencial entre jugar con la IA y hacer ingeniería con ella, y observa que parte del código se comporta de forma determinista y parte no. Son dos regímenes de verificación distintos:

• Las pruebas verifican la parte determinista: dada la misma entrada, la salida debe ser siempre la misma. Es el territorio clásico de las pruebas unitarias y de integración.
• Las evaluaciones (evals) verifican la parte no determinista: la trayectoria que recorrió el agente, las herramientas que eligió, la calidad del resultado. Cuando no hay una única respuesta “correcta”, se evalúa en vez de aseverar.

Esta distinción es el corazón de la ingeniería agéntica. Un agente que hace lo correcto por el motivo equivocado (o por un camino frágil) fallará cuando el contexto cambie. Evaluar la trayectoria y la elección de herramientas, no solo el resultado final, es lo que separa un sistema robusto de un truco de demostración.

Ingeniería de contexto: la habilidad que de verdad importa

Si una competencia define al profesional de esta era, el whitepaper es claro: es la ingeniería de contexto. El modelo es capaz; lo que decide la calidad de la salida es la información correcta, en el formato correcto, en el momento correcto. Google organiza ese contexto en seis tipos:

• Instrucciones: qué debe hacer el agente y cómo comportarse.
• Conocimiento: los hechos y documentos que necesita para fundamentar respuestas.
• Memoria: lo que persiste entre interacciones y sesiones.
• Ejemplos: casos concretos que demuestran el resultado esperado.
• Herramientas: las acciones que puede ejecutar en el mundo.
• Guardrails: los límites que restringen lo que puede y no puede hacer.

Parte de ese contexto es estática (vale siempre) y parte es dinámica (se carga según la tarea). De ahí la idea de las “Agent Skills”: paquetes portátiles de conocimiento procedimental (cómo ejecutar una tarea específica), cargados solo cuando se necesitan. Es la divulgación progresiva (progressive disclosure): en lugar de apilar todo en el contexto, entregas solo lo que la tarea del momento exige, manteniendo al agente enfocado y barato.

El ciclo se comprime de forma desigual

Un error común es imaginar que la IA acelera el desarrollo por igual. No es lo que ocurre. El whitepaper muestra que comprime el ciclo de forma desigual: la implementación, que antes llevaba días, colapsa a horas; pero requisitos, arquitectura y verificación siguen al ritmo humano, porque dependen del juicio, del contexto de negocio y de la responsabilidad. Cuando teclear desaparece, el trabajo de pensar y validar no desaparece con él; al contrario, gana proporción.

De ahí lo que el documento llama el “Modelo de Fábrica”: el resultado real del profesional deja de ser el trabajo en sí y pasa a ser el sistema que produce el trabajo. Ya no entregas solo una función: entregas los prompts, las reglas, las suites de evaluación y las skills que hacen que el agente produzca esa función de forma fiable, repetible y auditable. El artefacto de valor migró de la salida a la máquina que genera la salida.

Dos papeles: maestro y orquestador

Conducir este trabajo exige posturas distintas según la escala. Google describe dos modos complementarios:

• Maestro (Conductor): trabajo síncrono, dentro del editor, dirigiendo a un agente en tiempo real, revisando, corrigiendo y ajustando el rumbo paso a paso.
• Orquestador (Orchestrator): trabajo asíncrono, delegando en varios agentes en paralelo y evaluando lo que regresa. Menos teclear, más coordinación y juicio.

La trayectoria de carrera, en esta lectura, es el paso de quien ejecuta a quien dirige la ejecución. El valor no está en producir más líneas, sino en diseñar y gobernar el sistema que las produce.

Los riesgos: el “problema del 80%” y la gobernanza

Nada de esto es magia, y el whitepaper no vende ilusiones. Nombra el “problema del 80%”: la IA llega rápido a una versión casi terminada, pero el 20% final (casos límite, integración, robustez, seguridad) sigue costando caro y exigiendo gente. Y va más allá al diagnosticar el origen de las fallas: la mayoría de las fallas de agentes son fallas de configuración (contexto mal montado, instrucciones ambiguas, herramientas equivocadas) y no limitaciones del modelo.

La consecuencia práctica es directa: prompts, archivos de reglas, suites de evaluación y bibliotecas de skills deben tratarse como infraestructura (versionada, revisada y con dueño). No son borradores descartables; son el tejido que hace fiable al sistema. Los números refuerzan la cautela:

• A principios de 2026, cerca del 85% de los desarrolladores profesionales usa agentes de IA con regularidad, y aproximadamente el 41% del código nuevo es generado por IA.
• Un estudio de METR encontró a desarrolladores experimentados tardando un 19% más en ciertas tareas, el costo de la verificación, que crece cuando hay que comprobar lo que la máquina produjo.
• La síntesis del documento es incómoda y honesta: la IA es un multiplicador de fuerza; multiplica tanto tus fortalezas como tus debilidades.

El mismo principio, más allá del código: Charla

Este mapa no vale solo para quien escribe software. Vale para quien construye y opera asistentes de IA, y es justo donde se sitúa Charla. La premisa es la misma del nuevo SDLC: generar es la parte fácil; el oficio es rodear la salida de la IA de contexto, verificación y gobernanza. Charla permite montar y operar asistentes agénticos sin reconstruir el sustrato cada vez.

• Custom skills por asistente: capacidades empaquetadas como instrucciones y recursos portátiles, cargados bajo demanda, la misma idea de divulgación progresiva que describe Google.
• Conexión vía MCP: integración con sistemas externos a través de MCP, un estándar abierto de interoperabilidad, en lugar de integraciones ad hoc atadas a cada caso.
• Meta Charla: una plantilla reutilizable ya sembrada, un punto de partida para nuevos asistentes en vez de empezar desde cero.
• Gobernanza humana: una postura de proponer-y-aprobar y un registro de auditoría append-only mantienen a las personas al mando de lo que la IA produce.

Es la lectura del whitepaper aplicada a operaciones, no solo a código: la IA genera; las personas dirigen, verifican y responden por el resultado. Charla existe para hacer concreto ese arreglo: skills como infraestructura versionable, integración por un estándar abierto, aprobación humana antes del efecto y rastro auditable después de él.

La conclusión del nuevo ciclo de desarrollo es, en el fondo, liberadora. Si la generación está resuelta, lo que queda es lo que siempre fue más difícil (y más humano): saber qué construir, decidir si está bien y asumir la responsabilidad del resultado. Teclear dejó de ser el trabajo. Dirigir, verificar y juzgar lo son. Ese es el nuevo oficio, en código y en operaciones.