La fábrica regresa

Cómo la IA revive el sueño de la fábrica de software y si la agilidad podrá sobrevivirlo

Publicado por Polity | Julio de 2026
Autores: Alexandre Kotcherguine, Vision Officer & Investor, Polity;
Kevin Riedl, Managing Partner, Wavect GmbH

Este artículo trata sobre metodología de desarrollo de software y diseño organizativo. Se apoya en fuentes públicas, incluidas investigaciones revisadas por pares y preprints, estudios controlados e información sectorial actualizada a mediados de 2026. Las cifras de un campo en rápida evolución son instantáneas y pueden ser corregidas. Nada de lo que contiene constituye asesoramiento profesional, jurídico o de inversión.

Resumen ejecutivo

En 1968, en la NATO Conference on Software Engineering, Douglas McIlroy reclamó una industria de componentes de software producidos en masa y pedidos por catálogo. Fue la primera articulación de una ambición taylorista en la industria del software: convertir la programación de un oficio en una cadena de suministro repetible y gestionada científicamente. El sueño fracasó dos veces, primero en las “software factories” literales de los años setenta y ochenta, y de nuevo en los procesos pesados y orientados al control contra los que se rebeló el movimiento Agile en 2001, por la misma razón en ambos casos: no se puede industrializar un oficio eliminando el criterio que lo hace funcionar. Este artículo sostiene que la IA agéntica revive ahora el sueño de la fábrica en una forma que por fin entrega los componentes de McIlroy (generados bajo demanda en lugar de pedidos por catálogo), pero reproduce, de forma medible, la misma tensión que derrotó a sus predecesores. La evidencia corta en ambos sentidos y se presenta completa: datos de calidad de código a gran escala que muestran a la IA amplificando la deuda técnica; un ensayo controlado aleatorizado que muestra a la IA ralentizando a desarrolladores expertos incluso mientras estos creían que los aceleraba; y la rápida inflexión de esas señales a medida que las herramientas y la práctica maduraron durante 2025-26. La resolución es que la disciplina de ingeniería que defendían los firmantes de Agile no desaparece bajo la IA; sube en el stack, de la pulsación de tecla a la especificación. La fábrica puede, por primera vez, ofrecer a la vez rendimiento industrial y agilidad artesanal, pero solo para las organizaciones que reubican la cultura de ingeniería en lugar de eliminarla en silencio, como tantas veces hizo la era del Agile empresarial. La fábrica agéntica más avanzada documentada hasta la fecha (la de Stripe, que fusiona más de mil pull requests escritos por máquinas a la semana) funciona precisamente porque está envuelta en puertas deterministas, sandboxing y revisión humana obligatoria; es la tesis observada en producción. La variable decisiva es la gobernanza, no el modelo.

El sueño que fracasó dos veces

La defensa de industrializar el software es tan antigua como el nombre de la disciplina. La propia expresión “software engineering” fue una provocación deliberada, acuñada para la conferencia de la OTAN de 1968 para señalar que la programación debía ser arrancada de lo que el historiador Nathan Ensmenger llama su fase de “black art” y convertida en algo racionalizado y gestionado (1). En esa misma conferencia, McIlroy pronunció la expresión más nítida del sueño: un mercado de componentes de código fuente estándar, listos para usar, a partir de los cuales pudieran ensamblarse sistemas complejos como placas de circuitos (2). La visión era explícitamente taylorista (descomponer el trabajo, estandarizar las piezas, separar la planificación de la ejecución) y se persiguió en serio (3). “Software factory” se registró como marca en 1974; a lo largo de los años ochenta, Hitachi, Toshiba, NEC y Fujitsu construyeron fábricas industriales de software que imponían procesos estandarizados, bibliotecas de reutilización y controles de calidad a escala.

No entregaron la revolución prometida. La reutilización resultó mucho más difícil de lo que el pedido por catálogo daba a entender: los componentes arrastraban supuestos ocultos, el coste de hacer el código genuinamente reutilizable superaba al de reescribirlo, y la rigidez de la fábrica casaba mal con el cambio constante que el software exige. La herencia taylorista migró, en cambio, a las metodologías pesadas y divididas en fases (las cascadas, las especificaciones exhaustivas por adelantado, los comités de control de cambios), y fue precisamente contra ellas contra lo que diecisiete ingenieros escribieron el Manifiesto Ágil en 2001. La fábrica había fracasado como institución literal y volvía a fracasar como doctrina de proceso. En ambos casos el diagnóstico fue el mismo: el aparato de control industrial, aplicado a una actividad creativa y experimental, reprimía justo aquello que debía optimizar.

Por qué esta vez es diferente

La IA agéntica cambia la mecánica de un modo que la fábrica de software nunca pudo. Los componentes de McIlroy tenían que ser escritos, catalogados, generalizados y mantenidos por personas antes de que nadie pudiera pedirlos; la sobrecarga de la generalización fue lo que mató la reutilización. Un agente de programación colapsa esa sobrecarga. No recupera un componente prefabricado de una estantería; sintetiza uno a medida bajo demanda, a partir de una descripción de la intención y contra el contexto específico de la base de código que tiene delante. El catálogo ya no es finito ni mantenido por humanos; es, en la práctica, la capacidad latente del modelo para generar la pieza que se necesita en el momento de pedirla.

La capacidad ya no es especulativa. En el benchmark SWE-bench Verified (un conjunto estandarizado de incidencias reales de software), los modelos de frontera pasaron de resolver menos del dos por ciento de las tareas a finales de 2023 a aproximadamente el setenta y ocho por ciento a comienzos de 2025, y a superar el noventa por ciento a mediados de 2026 (con las habituales salvedades sobre saturación y contaminación del benchmark en la frontera). La unidad de trabajo ha cambiado en consecuencia: profesionales e investigadores describen ahora un ciclo de vida de desarrollo de software agéntico en el que un orquestador coordina subagentes especializados (planificar, implementar, probar, revisar) mientras el humano supervisa al nivel de la intención y la revisión, no de la autoría (4). El Economic Index de Anthropic, que mide el uso real de Claude contra la taxonomía de tareas O*NET del Departamento de Trabajo de EE. UU., halló en sus informes de comienzos de 2026 que aproximadamente el 49 por ciento de las ocupaciones había visto al menos una cuarta parte de sus tareas realizadas con el modelo (5). La fábrica, en este estrecho sentido mecánico, ha llegado: la producción de código puede ahora delegarse, paralelizarse y ejecutarse de forma continua de una manera que McIlroy reconocería como el cumplimiento de su propuesta.

La vieja tensión, ahora medible

Si la mecánica es nueva, el peligro es viejo, y por primera vez está cuantificado en lugar de meramente temido. La advertencia más rigurosa procede de GitClear, cuyo estudio longitudinal de 211 millones de líneas de código modificadas (2020-2024, en repositorios propiedad de Google, Microsoft, Meta y otros) halló que la composición del código, no solo su volumen, cambió a medida que se extendía la asistencia de IA (6). La frecuencia de bloques de código duplicado se multiplicó aproximadamente por ocho; el refactoring (la consolidación deliberada que mantiene coherente una base de código) cayó de en torno a una cuarta parte de los cambios en los primeros datos a menos de una décima; y el churn, la proporción de líneas revisadas o revertidas en las dos semanas posteriores a su escritura, subió de forma notable. Por primera vez en la historia del conjunto de datos, las líneas copiadas y pegadas superaron a las movidas (refactorizadas). En la metáfora original de Ward Cunningham, esto es deuda técnica acumulándose más deprisa de lo que se amortiza, el mecanismo preciso por el que, advirtió en 1992, una organización puede quedar paralizada (7).

El panorama de la productividad es igualmente de doble filo. A mediados de 2025, la organización sin ánimo de lucro METR realizó el primer ensayo controlado aleatorizado del campo sobre la asistencia de IA en programación: dieciséis desarrolladores open source experimentados, trabajando en repositorios maduros que conocían bien, completaron 246 tareas reales con el uso de IA permitido o prohibido al azar (8). Los desarrolladores pronosticaron una aceleración del 24 por ciento; economistas expertos e investigadores de machine learning pronosticaron ganancias aún mayores. El resultado medido fue el contrario: las tareas tardaron, de media, un 19 por ciento más con IA. Más llamativa que la ralentización fue la brecha de percepción: incluso después de experimentarla, los desarrolladores estimaron que la IA los había acelerado un 20 por ciento. Es la sombra de Goodhart en un escenario nuevo: todas las métricas visibles (volumen de commits, número de pull requests, líneas entregadas) pueden subir mientras lo que importa, el tiempo hasta un resultado correcto y mantenible, se mueve en dirección contraria. Una preocupación complementaria, que los profesionales han empezado a llamar deuda de comprensión, nombra el riesgo más profundo: cuando la generación supera a la comprensión, las únicas personas capaces de revisar con fiabilidad la salida de la IA (los ingenieros sénior) se convierten en el cuello de botella, y los problemas que se les escapan llegan a producción.

Una primera objeción: las señales ya se están invirtiendo

El contraargumento honesto es que cada cifra anterior es una instantánea de un objetivo en rápido movimiento, y que las líneas de tendencia ya han empezado a doblarse en sentido contrario. Merece formularse con toda su fuerza, porque es en gran medida correcto. La propia METR, al revisitar la cuestión con las herramientas agénticas de finales de 2025, halló que la ralentización se invertía: para el subconjunto de sus desarrolladores originales que continuó, la estimación pasó de una ralentización del 19 por ciento hacia una aceleración del 18 por ciento, aunque con intervalos de confianza amplios y la franca salvedad de que las ganancias autodeclaradas no son fiables (9). El programa DORA de Google, que en sus datos de 2024 vinculó la adopción de IA con una disminución del 7,2 por ciento en la estabilidad de las entregas, informó en 2025 de que la adopción de IA había pasado a asociarse con un mayor rendimiento, una inversión parcial, aun cuando persistían las dudas sobre la estabilidad (10). La curva de capacidad es empinada, y una crítica anclada en las herramientas de comienzos de 2025 corre el riesgo de describir un mundo que ya no existe cuando se lea.

La objeción acierta en los hechos, y afila el argumento en lugar de disolverlo. La inversión no se produjo porque los modelos dejaran de producir código propenso a la duplicación y ciego al contexto cuando se usan con descuido; se produjo porque la disciplina circundante maduró: mejor context engineering, arneses de agentes, flujos de revisión y las prácticas spec-first que se examinan más abajo. El seguimiento de METR es, leído con atención, un hallazgo sobre gobernanza: los mismos desarrolladores se volvieron más rápidos a medida que mejoraban sus métodos, no solo sus modelos. Los datos, por tanto, no dicen “el problema se resolvió solo”; dicen “el problema lo resuelve la disciplina, y la disciplina puede aprenderse”. Esa es la tesis entera de este artículo, confirmada desde el lado optimista del libro mayor. La salida de la fábrica mejora exactamente en la medida en que se la envuelve en cultura de ingeniería.

Adónde va el oficio: hacia arriba en el stack

La resolución de la paradoja es que la IA no elimina la disciplina de ingeniería; la reubica. Las prácticas que defendían los firmantes de Agile (desarrollo guiado por pruebas, integración continua, refactoring, mantenimiento de la salud del código) no quedan obsoletas cuando una máquina escribe las líneas. Migran de la pulsación de tecla a la especificación, del acto de teclear código al acto de definirlo, restringirlo y verificarlo. La expresión más clara de esta migración es el rápido auge, durante 2025-26, del spec-driven development. Es la práctica de escribir una especificación estructurada y versionada (objetivos, restricciones, criterios de aceptación) antes de invocar a un agente de programación. El agente dispone así de una intención explícita que implementar, en lugar de un prompt vago que interpretar.

Surgió como respuesta directa y con nombre propio al modo de fallo del “vibe coding”, el término de Andrej Karpathy, de comienzos de 2025, para designar la práctica de dar instrucciones a un agente en lenguaje natural y aceptar lo que devuelve (11). Los equipos que llevaron a producción software construido a golpe de vibe coding se toparon con el muro previsible: código plausible que se alejaba de la intención, interfaces alucinadas y deterioro a medida que los proyectos escalaban. Para 2026, todas las grandes herramientas de programación habían incorporado alguna variante de disciplina spec-driven, y el propio Karpathy había declarado que la era del vibe coding se cerraba en favor de la agentic engineering: orquestar agentes contra especificaciones detalladas bajo supervisión humana. La especificación es ahora el artefacto primario; las pruebas, el código y la documentación se generan a partir de ella. Nótese qué es esto: la intuición central del desarrollo guiado por pruebas (especificar el comportamiento deseado antes de construir y verificar después contra él) elevada un nivel de abstracción. La disciplina no murió. Fue ascendida.

El papel humano cambia en proporción. El ingeniero de la fábrica agéntica dedica menos tiempo a escribir código fundacional y más a la arquitectura, la precisión de la especificación y la vigilancia de la calidad: propiedad de producto en el sentido más pleno. La metáfora que se repite en la literatura de los profesionales es acertada: la IA carga las piedras; el arquitecto sigue diseñando e inspeccionando la pirámide. No es una merma del criterio de ingeniería, sino una concentración de él, y por eso exactamente las organizaciones que extirpan el criterio, esperando que lo supla el modelo, encuentran la duplicación y el churn que midió GitClear. El modelo suministra código. No suministra cuidado.

Preservar la agilidad: el problema de la gobernanza

Aquí el argumento se reencuentra con el más antiguo sobre el Agile empresarial, porque los modos de fallo riman. La software factory original eliminó el criterio artesanal y llamó industrialización al resultado; el Agile empresarial eliminó las prácticas técnicas y conservó las ceremonias; la adopción descuidada de la IA elimina la comprensión y conserva el panel de velocity. En cada caso se preserva la superficie visible y auditable mientras se vacía la sustancia que soporta la carga. La fábrica agéntica no es, por tanto, automáticamente una restauración de la agilidad; es una bifurcación del camino. Por una vía, la IA se convierte en el instrumento definitivo de desingeniería: una máquina para generar código sin revisar, duplicativo y ciego al contexto a escala industrial, con todas las métricas de productividad en verde mientras la deuda técnica y la de comprensión se acumulan por debajo. Por la otra, se convierte en la primera herramienta que ofrece a la vez el rendimiento de la fábrica y la adaptabilidad del oficio.

Lo que separa los caminos es la gobernanza, y sus componentes se comprenden hoy razonablemente bien. Incluyen la disciplina de especificación como capacidad organizativa y no como hábito individual (especificaciones vivas, bajo control de versiones, que persisten más allá de cualquier sesión de agente); puertas de calidad automatizadas entre la salida del agente y la aceptación humana, de modo que un agente que produce mil pull requests a la semana con una tasa de vulnerabilidades de tan solo el uno por ciento no entregue en silencio diez nuevas debilidades; flujos de revisión readaptados a los nuevos modos de fallo, que tienen forma estructural y de seguridad, no de errata; y contexto persistente y gobernado (memoria compartida, convenciones y restricciones que viajan con la base de código, para que el agente deje de reimportar la duplicación a la que el modelo tiende por defecto). Para los dominios regulados (los servicios financieros, la sanidad y la infraestructura de finanzas on-chain en la que trabaja Polity), esta capa de gobernanza no es un pulido opcional; es la condición previa bajo la cual el rendimiento agéntico resulta siquiera admisible. El control que la fábrica original imponía desde arriba, y que el Agile empresarial imponía como ceremonia, se reimagina aquí como disciplina incrustada en el propio sustrato de desarrollo, cerca del ingeniero, expresada como especificación ejecutable y verificación automatizada, no como el libro del capataz.

Para tales dominios esto ya no es solo cuestión de prudencia; se está convirtiendo en cuestión de ley. El Reglamento de Inteligencia Artificial de la UE, cuyas obligaciones principales eran originalmente aplicables desde el 2 de agosto de 2026 (una fecha ahora sujeta a una propuesta de aplazamiento), exige de los sistemas de alto riesgo precisamente las disciplinas que la fábrica agéntica necesita de todos modos: documentación técnica que exista antes de que un sistema llegue al mercado (artículo 11), registro automático de eventos integrado en el diseño central y no añadido a posteriori (artículo 12), y supervisión humana diseñada para que una persona competente pueda interpretar, anular y detener el sistema (12) (artículo 14). La correspondencia con las prácticas descritas arriba es casi exacta: una especificación viva y versionada es una de las vías más directas para satisfacer el requisito de documentación; las puertas deterministas y los rastros de auditoría de una cadena de agentes disciplinada son el requisito de registro; y la revisión con autoridad de envío, no de merge, es el requisito de supervisión. El punto regulatorio y el punto de ingeniería convergen. La misma gobernanza que mantiene a raya la deuda técnica es la que mantiene dentro de la legalidad a un implantador regulado, lo que significa, para instituciones del tipo al que sirve Polity, que la decisión de incrustar el oficio no es una preferencia cultural, sino una condición de admisibilidad, exigida con un calendario fijado por ley.

La fábrica hecha realidad: un caso concreto

Esto ya no es un experimento mental. A comienzos de 2026, Stripe hizo pública la descripción más detallada hasta la fecha de una fábrica agéntica funcionando en producción: una flota interna de agentes de programación desatendidos, llamados “Minions”, que fusiona más de mil pull requests a la semana (cifra que subió a unos 1.300 en el plazo de dos semanas) sin ninguna línea de código escrita por humanos, en una base de código de cientos de millones de líneas que sostiene más de un billón de dólares de volumen anual de pagos. Un ingeniero etiqueta al bot en un mensaje de chat y se desentiende; los agentes levantan máquinas aisladas, reúnen contexto, escriben el cambio, ejecutan las pruebas y devuelven un pull request terminado para su revisión. Es, en palabras de un análisis, el tratamiento de la “IA no como una caja negra mágica, sino como un componente dentro de una cadena industrial rígida”, es decir, la fábrica de McIlroy, por fin construida.

Lo que hace el caso decisivo para el argumento de este artículo es el propio relato de Stripe sobre por qué funciona. Según cuentan sus ingenieros, el modelo es casi una commodity (el agente es un fork de una herramienta open source) y la palanca reside por entero en la gobernanza que lo envuelve. La arquitectura intercala pasos agénticos creativos con puertas deterministas codificadas que el agente no puede saltarse: se ejecuta un linter, se ejecuta una batería de pruebas, sigue un commit, cada uno como punto de control fijo y no como algo que el modelo quizá recuerde hacer. Las reglas se aplican de forma condicional según la ubicación en la base de código, de modo que el agente que trabaja en el directorio de pagos hereda las restricciones de pagos. El contexto se depura de unas quinientas herramientas internas a un puñado quirúrgico por tarea, para evitar que el modelo se ahogue en sus propias opciones. Cada ejecución se aísla en un entorno desechable sin acceso a producción; el sistema tiene autoridad de envío, nunca de merge, de modo que un humano revisa cada cambio antes de que se publique. De forma reveladora, Stripe atribuye a las inversiones en experiencia de desarrollador que hizo para sus ingenieros humanos años antes de que existieran los agentes (las dev-boxes desechables, la infraestructura de CI, los daemons de linting) el fundamento que hizo posible la fábrica. La fábrica agéntica no sustituyó la disciplina de ingeniería; funcionó sobre un sustrato hecho de ella. Esta es la resolución de este artículo, observada en producción: rendimiento a escala genuinamente industrial, logrado precisamente incrustando el oficio en la cadena en lugar de prescindir de él.

Conclusión: la fábrica con conciencia

La propuesta de McIlroy de 1968 acertó en el destino y se equivocó en la ruta. Creía que la industrialización exigía piezas estandarizadas, catalogadas por humanos, y el aparato taylorista para gestionarlas; esa ruta mató la agilidad que el software necesita y el criterio que aportan los ingenieros. La IA agéntica alcanza el destino por un camino distinto (generar componentes a medida bajo demanda en lugar de pedir componentes genéricos) y, al hacerlo, elimina el obstáculo concreto que derrotó a la fábrica durante medio siglo. Pero hereda el pecado original en una forma nueva. La tentación de tratar el modelo como sustituto de la cultura de ingeniería, en lugar de como un instrumento manejado por ella, es la misma tentación que vació la fábrica literal y después el Agile empresarial, ahora disponible a mucha mayor velocidad y escala.

Es de justicia registrar la objeción más fuerte a todo esto, porque la sostiene gente seria y corta más hondo que la cuestión de si las primeras herramientas ralentizaron a alguien. Según esta visión, la apelación al “oficio” es nostalgia con bata de laboratorio: una defensa del papel humano que la tecnología está a punto de volver pintoresca. La evidencia no es trivial: para 2025, los consejeros delegados de Microsoft y Google afirmaban que entre una cuarta parte y un tercio de su código ya lo escribían máquinas, y el de Meta proyectaba que la mitad de su desarrollo lo haría la IA en el plazo de un año; al menos una empresa habría eliminado por completo la revisión humana de código, según se ha informado; y profesionales creíbles pronostican ya que la revisión humana será opcional allí donde la infraestructura de validación esté suficientemente madura. Si la máquina puede especificar, escribir, probar y revisar, sigue el argumento, entonces “conservar el oficio” describe una fase de transición, no una verdad permanente. La objeción merece tomarse en serio, y parte de ella resultará acertada: mucho de lo que hoy se llama oficio es mecánico y se automatizará sin pérdida. Pero confunde la ubicación del criterio con el criterio mismo. Incluso en el caso más autónomo documentado, el de Stripe, los agentes tienen la autoridad de envío y los humanos la de merge; las puertas deterministas que hacen seguro el sistema fueron diseñadas por ingenieros que ejercían exactamente el criterio que el maximalista declara obsoleto; y alguien debe seguir decidiendo qué merece construirse, qué significa “correcto” y qué fallos son tolerables. El oficio no se desvanece cuando desaparece el tecleo. Migra a la especificación, la puerta de calidad, el modelo de amenazas y la revisión; y las empresas que más lejos han llevado la automatización son precisamente las que más han invertido en esa disciplina humana residual.

La lección que los firmantes de Agile llevan dos décadas intentando transmitir se aplica, sin cambios, a la era agéntica: la ligereza del proceso debe ganarse con la solidez de la ingeniería que hay debajo. La IA hace la ligereza casi gratuita y la solidez casi opcional, y precisamente por eso la solidez debe ser ahora una elección deliberada, codificada en especificaciones, aplicada mediante puertas de calidad y en manos de humanos cuyo papel ha ascendido de escribir código a gobernar su creación. La fábrica ha regresado. Que industrialice el software o lo desingenierice (que preserve la agilidad o se limite a automatizar su destrucción) no lo decidirá el modelo. Lo decidirá, como siempre ha sido, que la organización elija conservar el oficio.

La historia del Agile empresarial enseñó que un método no se vuelve peligroso cuando es erróneo, sino cuando sus ceremonias sobreviven al oficio que les daba sentido. La fábrica agéntica plantea la misma prueba a mayor velocidad: recompensará a las organizaciones que suban su disciplina de ingeniería en el stack y castigará, más rápido que nunca, a las que confundan la desaparición del tecleo con la desaparición de la necesidad de ingeniería.

Acerca de Polity

Este artículo forma parte de un programa continuo de publicaciones sobre gobernanza y liderazgo intelectual desarrollado dentro del modelo de gobernanza de Polity. La tesis central de Polity es que los resultados duraderos están determinados por la arquitectura de gobernanza: las reglas, incentivos e instituciones mediante los que se forman el trabajo, el valor y la obligación. La fábrica de software agéntica es un problema de gobernanza exactamente en este sentido: la misma capacidad de generar código industrializa o desingenieriza según la disciplina que la envuelva. Polity construye infraestructura para las finanzas digitales reguladas, con marcos de gobernanza diseñados para conectar sistemas descentralizados y requisitos de cumplimiento de nivel institucional; la cuestión de cómo admitir una producción de software autónoma y de alto rendimiento en un entorno regulado sin sacrificar las garantías es una de las que aborda directamente.

Acerca de Wavect

Wavect GmbH es una agencia austriaca de ingeniería de software que construye software orientado a producto para startups, scale-ups y grandes empresas. Su trabajo abarca desarrollo full-stack, liderazgo fraccional de ingeniería y producto, aseguramiento de calidad de software y aplicaciones de inteligencia artificial, blockchain y sistemas zero-knowledge. Wavect ha prestado servicios de desarrollo de software y aseguramiento de calidad al programa Polity, y el coautor Kevin Riedl es Managing Partner de la empresa. Más información en https://wavect.io.

Aviso: Este artículo se publica únicamente con fines informativos y educativos. No constituye asesoramiento profesional, jurídico, financiero ni de gestión de ingeniería, ni respalda metodología, producto, servicio u organización alguna. Las referencias a investigadores, estudios, herramientas, frameworks y empresas identificados se incluyen exclusivamente para análisis y comentario. Las cifras de investigación proceden de las fuentes citadas y reflejan el estado de un campo en rápida evolución a mediados de 2026; varias son preprints, estudios controlados de muestra limitada o datos declarados por proveedores, y así se caracterizan en el texto. Todas las fuentes de terceros se citan como referencia; su inclusión no implica respaldo ni afiliación por parte de Polity. El coautor Kevin Riedl es Managing Partner de Wavect GmbH, que presta servicios de desarrollo de software y aseguramiento de calidad al programa Polity (véase “Acerca de Wavect”). Esta relación comercial se declara por transparencia y no afecta a la independencia del análisis. Las opiniones expresadas pertenecen a los autores.

Referencias

1. Ensmenger, N. (2010) The Computer Boys Take Over: Computers, Programmers, and the Politics of Technical Expertise. Cambridge, MA: MIT Press. Available at: https://doi.org/10.7551/mitpress/9780262050937.001.0001 (Accessed: 23 June 2026).
2. McIlroy, M.D. (1968) ‘Mass-produced software components’, in Naur, P. and Randell, B. (eds.) Software Engineering: Report on a Conference Sponsored by the NATO Science Committee. Brussels: NATO Scientific Affairs Division, pp. 138-155. Available at: https://www.cs.dartmouth.edu/~doug/components.txt (Accessed: 23 June 2026).
3. Taylor, F.W. (1911) The Principles of Scientific Management. New York: Harper & Brothers. Available at: https://www.gutenberg.org/ebooks/6435 (Accessed: 23 June 2026).
4. Synthesis of agentic SDLC research (2026) ‘Agentic AI in the Software Development Lifecycle’, arXiv pre-print (SWE-bench progression; productivity ranges; open problems including technical debt). Available at: https://arxiv.org/abs/2604.26275 (Accessed: 23 June 2026).
5. Anthropic (2026) The Anthropic Economic Index (reports of January and March 2026). (‘~49% of occupations have seen at least a quarter of their tasks performed using Claude’; SWE-bench and autonomy trends.) Available at: https://www.anthropic.com/research/economic-index-march-2026-report (Accessed: 23 June 2026).
6. GitClear (2025) AI Copilot Code Quality 2025: 211 Million Changed Lines of Code Analysed. Available at: https://www.gitclear.com/ai_assistant_code_quality_2025_research (Accessed: 23 June 2026).
7. Cunningham, W. (1992) ‘The WyCash portfolio management system’, OOPSLA ’92 Experience Report. (Origin of the ‘technical debt’ metaphor.) Available at: https://c2.com/doc/oopsla92.html (Accessed: 23 June 2026).
8. Becker, J., Rush, N., Barnes, E. and Rein, D. (2025) Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. arXiv:2507.09089. Available at: https://arxiv.org/abs/2507.09089 (Accessed: 23 June 2026).
9. METR (2026) We Are Changing Our Developer Productivity Experiment Design. (Update on late-2025 AI uplift.) Available at: https://metr.org/blog/2026-02-24-uplift-update/ (Accessed: 23 June 2026).
10. DevOps Research and Assessment (DORA) (2024; 2025) Accelerate State of DevOps Reports. Google Cloud. Available at: https://dora.dev/research/ (Accessed: 23 June 2026).
11. Karpathy, A. (2025) Remarks on ‘vibe coding’ (February 2025) and subsequent discussion of agentic engineering. Summarised in Towards Data Science, ‘From vibe coding to spec-driven development’ (2026). Available at: https://towardsdatascience.com/from-vibe-coding-to-spec-driven-development/ (Accessed: 23 June 2026).
12. European Union (2024) Regulation (EU) 2024/1689 (Artificial Intelligence Act). Articles 11 (technical documentation), 12 (logging) and 14 (human oversight); main high-risk obligations originally applicable from 2 August 2026, subject to proposed deferral. Official text and summary at: https://artificialintelligenceact.eu/high-level-summary/ (Accessed: 23 June 2026).

Fuentes de prensa y web (numeradas para verificar los hechos)

Cuando el texto atribuye un hallazgo concreto a un estudio identificado, la fuente primaria figura arriba en «Referencias». Los elementos siguientes documentan la información secundaria utilizada y los puntos concretos que cada uno respalda.

• CIO (2026). ‘How agentic AI will reshape engineering workflows in 2026.’ Agent orchestration; engineer as orchestrator of agents and components; first-pass execution across the SDLC. cio.com
• Anthropic (2026). 2026 Agentic Coding Trends Report. Convergence of agent architectures; surge staffing; security-at-scale considerations. anthropic.com
• LeadDev (2025). ‘How AI-generated code compounds technical debt.’ GitClear figures; decline of the DRY principle; practitioner testimony on debt creation. leaddev.com
• Advisable (2026). ‘The hidden cost of moving fast: technical debt in AI-assisted development.’ Churn 3.1%→5.7%; DORA 7.2% stability decrease; METR 19% slowdown drawn together. advisable.com
• StepTo (2026). ‘Comprehension debt: the AI code crisis your metrics are missing.’ Senior engineers as review bottleneck; security-finding spike at a Fortune 50 firm. stepto.net
• METR (2025). ‘Measuring the impact of early-2025 AI on experienced open-source developer productivity.’ RCT design; 16 developers, 246 tasks; 19% slowdown vs 24% forecast / 20% perceived. metr.org
• CGI (2026). ‘Spec-driven development: from vibe coding to intent engineering.’ GitHub Spec Kit, AWS Kiro, planning modes; QA built into the SDD process; relevance to regulated industries. cgi.com
• BCMS (2026). ‘Spec-driven development: the definitive 2026 guide.’ SDD as response to vibe-coding failure; spec as primary artefact; relation to TDD. thebcms.com
• Towards Data Science (2026). ‘From vibe coding to spec-driven development.’ Karpathy on the close of the vibe-coding era and the move to agentic engineering under specification and oversight. towardsdatascience.com
• DEV Community (2025). ‘The AI productivity paradox.’ METR perception gap; DORA 2024→2025 reversal (stability down, then throughput up); junior-vs-senior adoption differences. dev.to
• InfoQ (2026). ‘Stripe engineers deploy Minions, autonomous agents producing thousands of pull requests weekly.’ 1,300+ PRs/week, zero human-written code; blueprints; submission-not-merge authority; human review of every change. infoq.com
• ByteByteGo (2026). ‘How Stripe’s Minions ship 1,300 PRs a week.’ Six-layer architecture; interleaved deterministic gates and agentic loops; sandboxing; conditional rule files; reliance on pre-existing developer-experience infrastructure. blog.bytebytego.com
• CNBC (2025). ‘Satya Nadella says as much as 30% of Microsoft code is written by AI.’ Nadella at LlamaCon (20-30%); Pichai (>25% of new Google code); Zuckerberg projecting ~half of Meta development within a year. cnbc.com
• Ry Walker Research (2026). ‘In-house coding agents: build vs buy.’ Survey of in-house agent programmes (Stripe, Ramp, Abnormal, Shopify); StrongDM’s no-human-review “software factory”; forecast that human review becomes optional with mature validation infrastructure. rywalker.com
• Augment Code (2026). ‘The 2026 EU AI Act and AI-generated code: what changes for dev teams.’ Maps Articles 11/12/14 to engineering practice; notes spec-driven workflows as a route to Article 11 documentation that exists before market placement; 2 August 2026 enforcement. augmentcode.com