Ya no basta con aprovechar las herramientas de inteligencia artificial en el desarrollo de software escribiendo una sola instrucción y esperando la respuesta. Los desarrolladores hablan cada vez más de bucles de ejecución repetitivos, agentes múltiples y sistemas que rodean y guían al modelo; son conceptos que GitHub Blog intenta organizar en una guía publicada por Cassidy Williams el 2 de septiembre de 2026, basada en un debate del GitHub Podcast en el que participaron Marlene Mhangami y GPS.
Algunos de estos términos describen nuevos patrones prácticos; otros dan nombres modernos a ideas que ya existían, mientras que el significado de otros todavía está tomando forma. Por eso, la guía no presenta estas palabras como estándares definitivos, sino como una forma de entender el debate en curso entre los equipos de desarrollo de software.
De la instrucción individual a la ingeniería de bucles
La ingeniería de bucles consiste en diseñar sistemas repetibles alrededor de los agentes, en lugar de pedir manualmente a un agente que ejecute una tarea individual cada vez. El ejemplo planteado es crear un proceso programado que recopile las nuevas incidencias del proyecto, se las pase a un agente para resumirlas y proponer soluciones, compruebe el resultado y derive los casos pendientes a otro flujo.
En este sentido, el bucle se parece a un proceso cron configurado para la inteligencia artificial, pero necesita más elementos que la programación. La guía señala habilidades específicas, supervisión del comportamiento, verificación de los resultados, orientación de las tareas y puntos de pausa en los que sea posible intervenir o revisar.
Los Ralph loops son una aplicación más sencilla y directa de la idea del bucle: se proporciona al agente una descripción detallada de una tarea, a menudo a partir de requisitos o una especificación, y este continúa trabajando hasta considerar que la tarea está terminada. Este método puede ayudar a dividir el trabajo en ciclos repetidos de planificación, ejecución y comprobación, pero puede resultar costoso e ineficiente si cada ciclo consume más tokens, contexto y capacidad computacional.
La diferencia entre equipos, flotas y arneses de ejecución
Squads y fleets describen cómo se distribuye el trabajo entre varios agentes. Un equipo es un grupo de agentes con funciones diferentes: uno planifica, otro revisa el plan, un tercero ejecuta, un cuarto prueba y un quinto revisa el resultado. Una flota se refiere a agentes que trabajan en paralelo en tareas simultáneas. Es posible ejecutar un equipo completo dentro de una flota paralela u organizar sus funciones de forma secuencial.
La idea práctica es especializar y trabajar en paralelo en lugar de encargarlo todo a un solo agente. Sin embargo, la presencia de varios agentes no garantiza automáticamente una mayor calidad; el propio artículo relaciona el beneficio con la capacidad del equipo para distribuir y controlar las funciones y verificar los resultados.
El arnés de ejecución o harness se refiere a todo lo que rodea al modelo y lo hace utilizable dentro del flujo de trabajo: herramientas, permisos, memoria, contexto y coordinación entre tareas. La guía presenta GitHub Copilot como ejemplo de un sistema que conecta los modelos con repositorios de código, editores, solicitudes de incorporación de cambios y el terminal. La ingeniería del arnés de ejecución consiste en diseñar y mejorar este sistema que rodea al modelo.
Mejora mediante la retroalimentación
El término hill climbing se utiliza para describir la mejora gradual de los agentes y los arneses de ejecución mediante la retroalimentación. El equipo puede comenzar midiendo el rendimiento del agente con pruebas de evaluación y después modificar las herramientas, el contexto o el mecanismo de orientación cuando los resultados no sean suficientemente precisos.
En la revisión de solicitudes de incorporación de cambios, por ejemplo, la medición no se limita a la capacidad del agente para generar un comentario, sino que también incluye si encuentra errores relevantes y ofrece recomendaciones útiles. La lectura práctica es que incorporar un agente al flujo de trabajo no es el punto final; después comienza un ciclo continuo de medición y ajuste.
Términos sobre funciones y modelos
El ingeniero de campo describe una función que existía antes de la ola de la inteligencia artificial, como la de un ingeniero de software que trata directamente con clientes, un ingeniero de ventas o un ingeniero de soluciones. En el contexto de la inteligencia artificial, esta función ayuda a los equipos a adaptar las herramientas, los flujos de trabajo y los agentes, e integrarlos en sus sistemas existentes.
Los modelos cerrados se ofrecen mediante una interfaz de programación de aplicaciones o un producto alojado, sin poner a disposición del usuario los pesos, los datos de entrenamiento ni el método de entrenamiento. Los modelos de pesos abiertos permiten descargar los pesos y ejecutarlos localmente o en la infraestructura del usuario, pero eso no significa necesariamente que los datos y el método de entrenamiento estén disponibles. En los modelos de código abierto, el nivel de disponibilidad va más allá e incluye el modelo, el código, los datos y el proceso de entrenamiento para su inspección, reutilización y modificación.
¿Por qué es importante esta guía?
El cambio real no consiste únicamente en la aparición de un nuevo vocabulario, sino en el paso de la pregunta «¿qué puede generar el modelo?» a «¿cómo construimos a su alrededor un sistema repetible y medible?». Esto importa a los equipos de desarrollo que consideran ejecutar agentes dentro de sus procesos, porque elegir el término no sustituye a definir los permisos, los mecanismos de verificación, los puntos de intervención humana y el coste de la repetición.
No obstante, la fuente reconoce que los términos no son estables: algunos pueden consolidarse y otros pueden desaparecer o ser sustituidos por expresiones más precisas. Por ello, las preguntas más importantes siguen siendo prácticas: ¿se puede repetir el flujo de trabajo de forma fiable? ¿Cómo se revisan los resultados? ¿Cuándo interviene una persona? ¿Y qué grado de dependencia del modelo es aceptable? Estas preguntas, según el artículo, son más importantes que seguir cada palabra de moda.