Blog

Durante más de cincuenta años, el software se ha hecho de la misma forma: una persona entiende el problema, escribe en código cada decisión que el programa debe tomar y, cuando el negocio cambia, vuelve a abrir ese código para adaptarlo. Un artículo académico publicado en junio en arXiv sostiene que ese modelo está llegando a su fin. Su título no deja lugar a dudas: «The End of Software Engineering», es decir, el fin de la ingeniería de software.

El autor, Zhenfeng Cao, plantea que los agentes de IA no son una herramienta más para programar más rápido, sino un cambio de paradigma comparable al paso del software instalado en tu computadora a los servicios en la nube. Revisamos qué dice el estudio, qué datos lo respaldan y, sobre todo, qué significa para una empresa que tiene una web, una tienda online o sistemas digitales que mantener.

La idea central es sencilla de explicar. En el software tradicional, el código es el sistema: todo lo que el programa sabe hacer fue escrito antes por una persona. En un sistema con agentes de IA, el modelo de lenguaje razona sobre la tarea, escribe el código que necesita en el momento, lo ejecuta y lo descarta cuando ya no le sirve. El código pasa a ser una herramienta temporal, no el producto final.

El autor resume la evolución del software en tres etapas:

• Software instalado. Comprabas una licencia y tú te encargabas de instalarlo y mantenerlo.
• Software como servicio (SaaS). Pagas una suscripción y el proveedor se encarga de los servidores y las actualizaciones.
• Agentes como servicio (AaaS). Le dices al agente qué resultado quieres y él decide cómo conseguirlo. Ya no compras una herramienta: pagas por un resultado.

En cada salto, la complejidad se traslada de quien usa el software a quien mejor puede gestionarla. Así como el SaaS liberó a las empresas de tener un cuarto de servidores, los agentes prometen liberarlas de tener que especificar cómo se hace algo, para concentrarse en qué quieren lograr.

El artículo recoge varias evidencias recientes a favor de esta tesis:

• Equipos de agentes que resuelven problemas más rápido. En un piloto de LangChain con más de 20 flujos de depuración en empresas, un equipo coordinado de agentes redujo en 93 % el tiempo para encontrar la causa de los errores y ahorró más de 200 horas de ingeniería en un mes. La clave no fue un agente más inteligente, sino la coordinación entre varios.
• Modelos pequeños que ya corrigen errores reales. En la prueba SWE-bench Verified, que mide la capacidad de resolver incidencias reales publicadas en GitHub, un modelo abierto resolvió cerca del 30 % de los casos, muy cerca de modelos comerciales mucho más grandes.
• Cobertura de todo el ciclo. Ya hay cientos de estudios que aplican agentes a requisitos, diseño, programación, pruebas, despliegue y mantenimiento.

Lo más valioso del estudio es que no esconde las limitaciones. Cita la prueba EvoClaw, que no evalúa tareas sueltas, sino algo mucho más parecido a la vida real: hacer evolucionar un sistema cambio tras cambio, donde cada error se arrastra al siguiente. El resultado es contundente: los agentes que superan el 80 % de éxito en tareas aisladas caen a un máximo de 38 % cuando tienen que mantener un sistema de forma continua.

El autor identifica cuatro problemas detrás de esa caída:

• Pierden el contexto. Cuando el proyecto crece, el agente deja de tener una visión completa de cómo encajan sus partes.
• Los errores se acumulan. Un fallo pequeño al principio se convierte en una cadena de problemas más adelante.
• No piensan en el largo plazo. Resuelven la tarea de hoy sin medir lo difícil que será mantener esa solución mañana.
• Pasar las pruebas no es funcionar bien. Un agente puede cumplir todas las verificaciones automáticas e introducir errores sutiles que aparecen después, con casos reales.

La conclusión del propio estudio es equilibrada: los agentes ya son una herramienta transformadora para potenciar el trabajo humano, pero el desarrollo de software totalmente autónomo y fiable en producción todavía necesita varios años de investigación.

Más allá del debate académico, el estudio deja varias lecciones prácticas para cualquier negocio con presencia digital:

• Lo que vale es saber pedir. El autor señala que la habilidad clave ya no es escribir código, sino explicar con claridad el objetivo, el contexto y los límites. Una empresa que tiene claro qué quiere de su web o de su tienda online sacará mucho más provecho de la IA.
• Empieza por tareas bien acotadas. El estudio recomienda automatizar primero los procesos con un criterio de éxito claro y un alcance definido: responder consultas frecuentes, clasificar pedidos, generar reportes. No conviene empezar por lo más crítico.
• El mantenimiento sigue necesitando ojos humanos. El dato de EvoClaw lo deja claro: construir algo rápido con IA es fácil; mantenerlo sano durante meses no lo es. Actualizaciones, seguridad, copias de respaldo y revisión de cambios siguen requiriendo supervisión.
• Mide resultados, no solo entregas. Si en el futuro pagaremos por resultados y no por herramientas, conviene tener desde ya la analítica bien configurada para saber qué funciona.

El modelo que propone el autor para hoy se resume en una frase: el agente ejecuta, la persona decide. La IA hace el trabajo operativo; las personas definen el objetivo, revisan lo que se hizo y responden por las decisiones importantes.

Conviene leer el título con cautela: se trata de un artículo de opinión publicado como preprint, sin revisión por pares, y algunas de sus predicciones son apuestas a varios años. Pero la dirección que describe es real. El software se está moviendo de «una herramienta que alguien programó» a «un resultado que alguien supervisa». Las empresas que ganen no serán las que reemplacen a todo su equipo por agentes, sino las que aprendan a dirigirlos bien y mantengan control sobre lo que hacen.

Ya contamos en este blog que los asistentes de IA también se han convertido en un nuevo blanco de ataques; razón de más para incorporarlos con supervisión. En Interactoon combinamos ambas cosas: la implementación de inteligencia artificial en procesos concretos de tu negocio y la gestión, soporte y mantenimiento de tu web, tienda online, hosting y correo, para que lo que construyes hoy siga funcionando mañana. Si quieres saber por dónde empezar, conversemos.

Fuente: Zhenfeng Cao, «The End of Software Engineering: How AI Agents Are Fundamentally Restructuring the Software Paradigm», arXiv:2606.05608, junio de 2026. Los datos de EvoClaw, SWE-bench Verified y LangChain proceden de los estudios citados en ese artículo.