Codificar con IA es como manejar un Tesla: el problema no es el carro, es la carretera
La mayoría de empresas culpa al modelo cuando agentic programming no funciona. Casi siempre el problema es la infraestructura.
Todos quieren un Tesla en su garage. Pocos preguntan si su garage tiene corriente trifásica, o si la carretera local tiene la señalética que el sistema espera. Cuando el coche falla en una rotonda mal pintada, la queja siempre es la misma: “el autopilot no sirve”.
Lo mismo está pasando con agentic programming en las empresas.
El patrón
Una empresa adopta Claude Code, Cursor o Codex en su monorepo legacy. Espera productividad 5x. Lo que ve son agentes que inventan APIs que no existen, sugieren refactors que rompen invariantes que nadie le contó, o producen PRs que pasan los tests pero violan el design system. El equipo se desilusiona. “Esta IA no entiende nuestro código.”
Casi siempre el problema no es el modelo. Es que la infraestructura de contexto no existe.
Lo que un Tesla necesita
Un coche autónomo no es solo un coche con cámaras. Necesita tres cosas que el carril regular asume del conductor humano:
- Mapas HD actualizados. Sabe qué carril es de bicicleta antes de verlo.
- Señalética predecible. La carretera no improvisa.
- Conectividad y telemetría. El coche reporta y aprende.
Si llevas un Tesla a un pueblo sin pavimentar, lo desconectas del piloto y manejas tú. No es culpa del coche.
Lo que agentic programming necesita
Las tres equivalentes en un proyecto de software:
1. Contexto curado. ADRs actualizados, CLAUDE.md/AGENTS.md en
la raíz del repo con las convenciones, design system documentado,
historia de decisiones accesible. Cuando el agente arranca, tiene un
mapa del territorio. Sin esto, improvisa — y improvisa mal.
2. Guardrails reales. Linter estricto, type-checker que no se puede
saltar, pre-commit que corre tests, CI que bloquea PRs sin verde. El
agente puede equivocarse — pero el sistema lo detiene antes de que
llegue a main. Sin esto, cada PR es una ruleta rusa.
3. Observabilidad. Necesitas saber qué hizo el agente (qué tools llamó, qué archivos tocó), cuánto costó, y qué pasó cuando algo salió mal. Sin trazas, no puedes mejorar el setup. Con trazas, descubres en una semana qué patterns funcionan y cuáles no.
La pregunta correcta antes de adoptar
Antes de preguntar “¿qué herramienta de AI coding compramos?”, la pregunta útil es: ¿nuestro repo está listo para que un colaborador nuevo (humano o IA) sea productivo en su primera semana?
Si la respuesta es no, ningún modelo del mundo te va a salvar. Va a amplificar el caos que ya existe.
Si la respuesta es sí, casi cualquier modelo decente — Claude, GPT, Gemini — te va a dar 3-5x. La diferencia entre los modelos en ese punto es menor que la diferencia entre tu repo de hoy y tu repo en 6 meses de invertir en infra.
Lo que vemos en nuestros proyectos
En Agentic, antes de poner un agente a producir código serio en un
cliente, hacemos un audit de las tres capas. A veces el ROI más alto
del primer mes no es el modelo — es escribir el CLAUDE.md que faltaba,
o apretar el CI que estaba laxo.
Es trabajo invisible. No vende slides. Pero es lo que separa los equipos donde la IA aterriza bien de los que se quejan que “no sirve”.
Si están evaluando AI coding para su equipo y quieren mapear gaps de infra antes de adoptar, conversemos — el chat está abierto.