Agente de programación.

En la práctica

Un copiloto te sugiere la siguiente línea mientras escribes. Un agente de programación se lleva la tarea entera. GitHub lo explicó al lanzar el suyo en mayo de 2025: se le asigna una incidencia como a cualquier persona del equipo, trabaja en segundo plano en su propio entorno y entrega el resultado como una propuesta de cambio (una pull request) para revisar.

Un caso real. Stripe contó en febrero de 2026 que sus agentes internos producen más de mil cambios de código a la semana que acaban integrados, todos revisados por personas. Una ejecución típica empieza con un mensaje en Slack y termina en una propuesta que pasa las pruebas automáticas y queda lista para revisión, sin nadie en medio.

Por qué te importa

Es donde más se usan agentes de verdad. El AI Index 2026 sitúa el uso de agentes a escala por debajo del 10 % en casi todas las funciones, y destaca la ingeniería de software del sector tecnológico, con un 24 %. En SWE-bench Verified, la prueba de referencia de programación, los modelos pasaron en un año del 60 % a casi el 100 %.

Lo que lo hace manejable son los controles, y GitHub los trae activados. El agente solo puede escribir en ramas que ha creado él, quien le encarga el cambio no puede aprobarlo, su acceso a internet está limitado y los procesos de despliegue no arrancan sin aprobación. Es supervisión humana puesta en el sistema, no en una norma interna.

Los límites

GitHub dice que rinde mejor en tareas de complejidad baja o media y en código con buenas pruebas automáticas. Que la prueba de referencia esté casi al 100 % no dice cómo le irá con tu código. El mismo AI Index recoge un estudio de METR en el que profesionales con experiencia en proyectos de código abierto tardaron un 19 % más con ayuda de IA, aunque creían que les ayudaba.

Y gasta. GitHub pasó Copilot a precio por consumo en junio de 2026 porque una pregunta rápida y una sesión autónoma de varias horas costaban lo mismo a quien las usaba, y su modelo anterior «ya no era sostenible».