Los agentes de IA ya dejaron de ser una promesa y se convirtieron en parte del día a día de quienes trabajan con desarrollo de software.
Y cuando una gigante como AMD empieza a publicar números reales sobre esto, vale mucho la pena prestar atención.
La empresa se embarcó en este camino con una meta que en su momento se consideraba ambiciosa: alcanzar un 25% de aumento de productividad usando IA a lo largo de dos o tres años.
Lo que pasó después sorprendió hasta a quienes estaban dentro del proyecto.
En menos de un año, AMD no solo cumplió esa meta sino que fue más allá, llegando a un 30% de ganancia general de productividad con el uso de modelos de lenguaje grandes, los famosos LLMs.
Pero la historia no se queda en los números.
Lo que AMD está construyendo ahora apunta a algo mucho mayor, una reescritura completa de cómo se hace el software, con enjambres de agentes autónomos colaborando entre sí y encontrando soluciones que ningún ingeniero humano habría descrito previamente.
Es tecnología avanzando rápido, con datos concretos para demostrarlo. 🚀
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Lo que AMD hizo diferente
La mayoría de las empresas que hablan de aumento de productividad con IA se quedan en el terreno de las estimaciones y proyecciones. AMD fue por otro camino: implementó, midió y publicó. Eso por sí solo ya diferencia su experiencia de la mayor parte de lo que circula por ahí sobre el tema. La empresa adoptó modelos de lenguaje grandes de forma estructurada dentro de sus flujos de desarrollo de software, integrando estas herramientas directamente en las rutinas de los equipos de ingeniería, y no como un experimento paralelo, sino como parte central del proceso productivo.
El punto de partida fue un objetivo claro: 25% de ganancia en eficiencia en un horizonte de dos a tres años, con la intención de generar el 25% del código de producción vía IA para 2027. Este tipo de meta suele ser difícil de alcanzar porque implica cambio de cultura, adaptación de herramientas, capacitación de equipos y la resistencia natural de quienes ya tienen un flujo de trabajo establecido. Aun así, AMD logró no solo alcanzar ese número sino superarlo en una fracción del tiempo previsto. Llegaron a un 30% de ganancia general de productividad antes de completar un año de uso sistemático de los LLMs, lo que coloca esta iniciativa en una categoría bastante rara de casos de éxito con datos reales para respaldarla.
Vale la pena explicar cómo miden esto, porque medir productividad es notoriamente complicado. Desde el comienzo, AMD monitorea una métrica objetiva y consistente: el porcentaje de código fuente generado por IA. Y no es cualquier código, solo aquel que pasa por todas las revisiones y pruebas y termina efectivamente incluido en el producto final. Con esa vara rigurosa, la empresa cruzó la marca del 20% a principios de este año y ahora camina hacia el 50% en toda la base de código. En algunos componentes de software, más del 80% del código ya se genera con el apoyo de la IA.
Y lo más interesante no es el número en sí, sino lo que representa en la práctica. Ingenieros dedicando menos tiempo a tareas repetitivas, ciclos de revisión de código más cortos, identificación de bugs más rápida y una capacidad mayor de iterar sobre soluciones sin necesidad de empezar de cero cada vez. Esto es automatización funcionando en el nivel donde realmente importa: en el centro del trabajo técnico, no en los márgenes.
Los agentes de hoy: IA en cada etapa
AMD comenzó a desarrollar sus sistemas de IA para generación de código, automatización de pruebas, análisis de bugs y revisión de código allá por 2024. Y lo más interesante es cómo estos agentes ya están presentes en prácticamente todas las fases del ciclo de vida de desarrollo de software, el famoso SDLC. Cada etapa recibió un refuerzo específico, y se entiende bien cómo funciona cuando lo separamos por función.
Análisis y clasificación de código
En esta fase, los agentes están entrenados para analizar reportes de problemas, identificar y agrupar solicitudes similares y señalar qué fragmentos de código probablemente van a necesitar modificación. Es un trabajo que antes exigía bastante tiempo de lectura y cruce manual de información, y que ahora ocurre de forma mucho más ágil.
Depuración y generación de código
Aquí los agentes reciben una solicitud de bug, analizan lo que está pasando e implementan los cambios de código necesarios. Es la etapa en la que la IA realmente pone manos a la obra, escribiendo las correcciones que después serán evaluadas.
Pruebas
Los agentes generan pruebas unitarias y, cuando estas son aprobadas, identifican qué pruebas de integración y de producto aún necesitan realizarse. Esto garantiza que el cambio no rompa nada en otras partes del sistema, algo esencial en bases de código grandes e interconectadas.
Aprobación y release
En la recta final, los agentes preparan un resumen de la arquitectura, la revisión de las modificaciones de código y los resultados completos de las pruebas para que los ingenieros revisen y aprueben. Si todo está en orden, los cambios se integran a la siguiente versión. El ingeniero sigue teniendo la última palabra, pero llega a ese punto con todo digerido y organizado. 🤖
Los agentes del mañana: enjambres que piensan por cuenta propia
Si los LLMs ya trajeron ganancias expresivas actuando como asistentes directos de los ingenieros, el siguiente capítulo de esta historia involucra algo más sofisticado: los agentes de IA operando en enjambres de forma autónoma y colaborativa. Hoy, los ingenieros crean agentes a su propia imagen, enseñándole a la IA lo que saben sobre el sistema, cómo resolverían un problema y cómo implementarían un cambio. Esto ya es un avance tecnológico enorme, porque permite crear varias versiones de IA de un mismo ingeniero, todas trabajando en paralelo y escalando ese conocimiento mucho más allá de lo que una persona sola lograría.
La limitación actual es que estos agentes todavía están atados al pensamiento humano y a los enfoques definidos por humanos. La gran transformación llegará cuando enjambres colaborativos de agentes de IA puedan identificar y desarrollar soluciones de forma independiente, guiados por humanos sobre qué resolver, y no limitados por suposiciones humanas sobre cómo debe hacerse el trabajo.
En la práctica, esto significa que el ingeniero va a definir el problema, el resultado deseado y las restricciones de calidad, rendimiento y sistema. A partir de ahí, un enjambre de agentes trabaja en paralelo para generar, evaluar y refinar múltiples enfoques de solución. Estos agentes validan automáticamente la corrección del código, miden rendimiento, prueban trade-offs y comparan implementaciones alternativas contra criterios de éxito previamente definidos. Al final, entregan opciones de solución ranqueadas, con resultados de validación y métricas de performance, listas para revisión y aprobación humana. Los agentes no solo van a mejorar cada etapa del SDLC, van a reescribir el propio SDLC.
El caso del Radeon Software eXperience
Un ejemplo concreto muestra bien esta evolución en acción. El Radeon Software eXperience, conocido como RSX, es el componente de interfaz que permite a los usuarios configurar y monitorear el comportamiento de los drivers gráficos de AMD. En octubre de 2025, la empresa comenzó a usar agentes de IA para depurar y corregir automáticamente los problemas reportados en el RSX.
Al principio, los resultados fueron modestos. Las herramientas de IA listas para usar, tal cual venían de fábrica, resolvían apenas el 6% de los problemas. Pero ahí entró el diferencial: en vez de simplemente aceptar ese número, AMD construyó un ciclo de aprendizaje, inicialmente bastante manual, para entender dónde estaban fallando los agentes y cómo mejorarlos.
Lo interesante es que la solución no pasó por reentrenar los modelos por debajo. Lo que hicieron fue refinar los objetivos dados a los agentes, dejando que exploraran múltiples enfoques de forma iterativa, evaluaran los resultados contra los criterios de éxito y convergieran hacia mejores soluciones. Sumando esto a los avances en los propios modelos y en los runtimes de los agentes, la tasa de resolución dio un salto impresionante: del 6% inicial a más del 75% de los problemas del RSX resueltos automáticamente por el ciclo agéntico, número alcanzado en junio de 2026.
Herramientas que usamos a diario
La gran lección aquí es sobre el poder del ciclo de aprendizaje continuo. Para que los agentes y enjambres de agentes sean realmente productivos, es necesario retroalimentar errores e las intervenciones humanas en los flujos futuros. Cada ciclo captura nuevos aprendizajes, haciendo todo el proceso de ingeniería de IA más inteligente y eficaz. Con el tiempo, este loop que se autorrefuerza, y no solo el modelo por debajo, se convierte en uno de los principales motores del progreso de la IA.
El rol del ingeniero humano en esta nueva fase
Una duda que siempre aparece cuando el tema es automatización a gran escala es sobre el futuro de los empleos. La postura de AMD en este punto es clara: la IA se ve como un medio para aumentar productividad, mejorar calidad y liberar a los profesionales para trabajos de mayor valor. El objetivo declarado es capacitar a la fuerza laboral con IA, no reducir el número de empleados.
Para sostener esta transformación, la empresa está invirtiendo fuerte en educación y capacitación en IA por toda la organización. La idea es que cada colaborador esté preparado para usar estas herramientas de forma confiada, responsable y eficaz, acompañando una forma de trabajar que está cambiando muy rápido.
En la práctica, esto cambia el perfil de habilidades más valorado. Saber trabajar con agentes, estructurar problemas de una manera que los LLMs puedan procesar bien, interpretar y validar los outputs generados automáticamente, todo esto pasa a formar parte del conjunto de competencias de un ingeniero moderno. No es sustitución de función, es expansión de lo que una persona logra realizar en el mismo período de tiempo. A medida que los agentes evolucionan, los ingenieros dedican menos tiempo a implementar soluciones manualmente y más tiempo a definir especificaciones, validar resultados y tomar las decisiones estratégicas que realmente impulsan la innovación.
Qué significa esto para el futuro del desarrollo de software
La experiencia de AMD no es un caso aislado, pero es uno de los mejor documentados hasta ahora, y por eso merece leerse como un indicador de dirección. El desarrollo de software está atravesando una transformación estructural, no meramente incremental. La automatización que llegó primero a las tareas más simples y repetitivas está avanzando hacia territorios cada vez más complejos, y los modelos de lenguaje grandes son el motor principal de esa expansión. Lo que AMD demostró es que esta transición puede ocurrir de forma rápida, organizada y con retorno medible, siempre que haya intención estratégica detrás de la implementación.
Mirando hacia adelante, la tendencia es que esta colaboración entre humanos y enjambres de agentes de IA se vuelva cada vez más refinada y profunda. Las empresas que comiencen a estructurar sus flujos de trabajo en torno a esta realidad ahora van a tener una ventaja considerable frente a las que esperen a ver qué pasa. AMD ya demostró que los resultados aparecen rápido cuando la implementación se hace con seriedad. Y con los modelos de lenguaje grandes evolucionando a la velocidad que lo están haciendo, los próximos hitos pueden ser aún más impresionantes que los que ya tenemos en las manos. 🚀
