Los fundamentos de la ingeniería de software en la era agéntica

Hace unos meses hablábamos en uno de nuestros artículos La automatización de procesos “sin codificar” a cerca de los importantes cambios que estamos viviendo sobre la programación. Bueno y en general sobre la ingeniería de software y la automatización. Todo en tecnología cambia y evoluciona muy rápido. No obstante la democratización en el desarrollo de sistemas y aplicaciones requiere de un gobierno para avanzar adecuadamente. Por lo anterior se hace vital y crítico considerar y ajustar los fundamentos de la ingeniería de software en la era agéntica. A través de los nuevos lineamientos, el gobierno y unos fundamentos renovamos es posible direccionar las soluciones agénticas. De esta forma aseguramos el cumplimiento de los objetivos estratégicos organizacionales.

Los nuevos modelos de desarrollo de software apalancados en la inteligencia artificial – IA se fundamentan en marcos y aplicaciones centrales configuradas para fungir como guía. Allí se encuentran los estándares, convenciones y reglas en los cuales se enmarcan los desarrollos. Por ejemplo, se consideran temas como: latencia, disponibilidad, consistencia, fiabilidad, mantenibilidad, simplicidad o coste. Por esta razón debemos volver sobre los fundamentos de la ingeniería de software en la era agéntica tomando como base las siguientes habilidades: 1) creación de aplicaciones full-stack. 2) sistema integral de gestión de información – SIGI. 3) diseño de arquitecturas de sistemas. 4) consolidar la seguridad y fiabilidad. 5) operar y asegurar flexibilidad y escalabilidad. 6) observabilidad.

1. Desarrollo de aplicaciones full-stack. En la actualidad la programación asistida por la IA y la automatización del código permite un rol integral en el desarrollador. Un agente digital inteligente – ADI de codificación “complementa” y agiliza el ciclo de vidad de desarrollo de software – SDLC (siglas en inglés). En particular, los ADIs pueden apoyar aquellos subprocesos de desarrollo complejos. No obstante, los ADIs también son útiles en el resto de actividades para la creación de componentes en los sistemas front-end y back-end. Por ejemplo: interfaz de usuario, almacenamiento en caché, renderización de páginas, la selección y el diseño de API, la autenticación, la gestión de estado y sesión, el procesamiento asíncrono, la persistencia de datos, las pruebas, la seguridad y la accesibilidad.
   
2. Sistema integral de gestión de información – SIGI. El software se construye con base en requerimientos que buscan mejorar (automatizar) los procesos y flujos de información. Por lo tanto, los datos merecen especial atención y su adecuada gestión permite analizarlos, protegerlos y explotarlos para crear valor a todos los interesados. El gobierno de los datos define e indica las premisas a cumplir para que los desarrollos de software sean costo efectivos y controlen y mitiguen los riesgos. En consecuencia es importante poseer una sólida arquitectura de datos y de infraestructura que soporten los sistemas y aplicaciones. En esta línea aseguramos los tiempos de respuesta, la capacidad de procesamiento, la escalabilidad y la accesibilidad a los datos.
   
   Por otra parte, las arquitecturas de negocio y de datos entregan información a la capa de aplicaciones e integración para comprender las transacciones y la concurrencia. Adicionalmente, es posible garantizar que los datos sean limpios, consistentes y estén actualizados. Lo más importante es que el SIGI debe estar en capacidad de gestionar el ciclo de vida de los datos. Desde el gobierno de datos se garantiza la privacidad, la protección y el cumplimiento normativo adecuados.
   
   
3. Diseño de arquitecturas de sistemas. Lo primero es tener claro cuál será la finalidad del software a desarrollar (cuáles son las salidas). La base de datos de conocimiento creada y consolidada desde la arquitectura empresarial – AE debe ser usada como puerta de entrada para desarrollar las soluciones IA. Este conocimiento define el contexto en el que se moverá la IA. La activa participación de los especialistas de la organización permite construir una infraestructura de datos para desarrollar o configurar el software que “moverá” los ADIs. La capa de integración dependerá de los forma como entendamos y comprendamos los componentes del conjunto completo de software y datos.
   
   Existen definiciones adicionales que permiten diferenciar las funcionalidades front de las back. Así mismo, la descomposición del sistema y la granularidad arquitectónica a nivel de microservicios. Al implementar un ADI debemos tener en consideración la arquitectura definida para las tecnologías de programación, ambientes, escenarios de simulación, frameworks de componentes, etc.
   
4. Consolidar la seguridad y fiabilidad. En este punto es importante establecer estrategias de prueba que permitan certificar el funcionamiento correcto del software y el cumplimiento con los parámetros o factores clave de éxito. Por lo cual, se hace imprescindible manejar y gestionar múltiples escenarios de fallos. Existe una técnica bastante usada en los últimos años que entrega seguridad sobre los desarrollos y es conocida como “desplazamiento a la izquierda“. De alguna forma es preciso asegurar que los desarrolladores full stack posean conocimiento en seguridad. Por otro lado, la misma IA ofrece herramientas y funcionalidades para para analizar el código en busca de vulnerabilidades, verificar las dependencias para detectar inyecciones en la cadena de suministro y examinar la configuración de la nube en busca de superficies de ataque.
   
5. Operar y asegurar flexibilidad y escalabilidad. Continuando de manera juiciosa con el ciclo de vida del desarrollo de software – SDLC se precisa la configuración del entorno de implementación, la definición de la estrategia de lanzamiento, la aplicación de la automatización de la implementación (CI/CD) y la comprensión de la infraestructura (i.e.., si se requiere como servicio (IaaS). En este punto se utiliza la información sobre las carga estimada y real para anticipar los crecimientos necesarios de las capacidades. Por último, la evolución del sistema se asegura al comprender y aplicar las mejores prácticas de codificación. De igual forma, se deberá tener una herramienta para el control de versiones, las revisiones de código, el mantenimiento de dependencias y la gestión de la deuda técnica.
   
6. Observabilidad. La producción requiere de una operación planeada, sincronizada, monitoreada y orquestada. Así las cosas, se precisa de la implementación de herramientas de observabilidad, configurar alertas y gestionar incidentes. Se debe asegurar el cumplimiento de los acuerdos de niveles de servicio – ANSs y la gestión por indicadores (OKRs, KPIs y KRIs).
   

Al tener claras estas 6 habilidades no solo se alcanzan los entregables deseados (ADIs desarrollados) sino que se habilita la IA para el desarrollo de agentes que apoyen el SDLC y los que soportan el negocio. Podemos entonces decir que tendremos ADIs para aspectos funcionales (negocio y operación) y no funcionales (técnicos y administrativos de TI). Lo anterior aplica para componentes que utilizan la IA para su ejecución y también para el software que la requiere. La IA es un complemento al desarrollador que conoce en detalle los fundamentos del software que ha desarrollado su organización.

De esta forma nacen los ecosistemas agénticos. Cada ADI consume procesamiento, credenciales, salida de red, tokens de modelo y herramientas. Como vemos aparece un nuevo componente a controlar “los tokens” para asegurar que el ADI y en general el ecosistema sean costo efectivo. Para ajustar los fundamentos de la ingeniería de software en la era agéntica, en particular el SDLC, se precisa superar tres retos o desafíos:

1. Control de costos en el uso de los tokens. El temor de no conocer o predecir estos valores va en detrimento de la escalabilidad. Toda decisión para crecer tiende a ser llevada a un procedimiento manual. Por lo cual FinOps pasa a ser fundamental para las decisiones de escalabilidad que incluso pueden ser automatizadas. Se precisa tener cuidado y precaución pues en algunos casos el cálculo del costo de los tokens se produce en un proceso no determinista. Para esto se recomienda definir dimensiones (caso de uso, ruta, agente, modelo) que hagan que el costo sea cuantificable. Por lo tanto será posible medir y limitar. Desde la observabilidad debe poderse destrabar cualquier bucle.
   
2. Desarrollo en paralelo de múltiples ADIs. Si no existe un gobierno bien estructurado, puede afectar por ejemplo el control de versiones de componentes transversales a los agente. Se precisa el uso de protocolos de contexto de modelo – MCPs que definen los estándares para el uso de las herramientas IA. No obstante, debe definirse con rigurosidad el gobierno para la configuración y gestión de los MCPs propios y de terceros.
   
3. Trazabilidad. Desde el primer momento, antes de la salida en producción, todo los esquemas de observabilidad deben estar en su sitio. Nadie quiere tener sorpresas en producción. Algunos de los KPIs puede ser: porcentaje de tráfico de IA sujeto a políticas, MCPs no gobernados, APIs convertidas en herramientas, tiempo que se requiere para convertir las APIs pendientes, costo por casos de uso y por agente, intentos de inyección y bloqueos, tiempo medio de resolución de incidentes de IA.
   

Para finalizar todo activo de información debe ser considerado como un “producto”. Así las cosas, toda la caja de herramientas, capacidades y funcionalidades de la IA deben trabajarse como un producto. Por ejemplo, el catálogo, las políticas de seguridad, KPIs, etc., deben ser parte integral de la base de datos de conocimiento – CMDB desde un principio.

En conclusión, sin lugar a dudas la agéntica está transformando la ingeniería de software y nos está llevando a una supervisión estructurada de sistemas de inteligencia artificial autónomos. Estamos usando flujos de trabajo donde el ADI razona, actúa y valida sus propios resultados. Incluso, en la actualidad es posible la orquestación multi agente con roles específicos. De esta forma son gestionadas tareas complejas en el SDLC de principio a fin. Todo lo anterior nos lleva a un cambio necesario en el rol del ingeniero pasando a un arquitecto de sistemas. Por último la seguridad debe ser controla integralmente con la ayuda de la observabilidad (i.e. accesos y prevenir bucles).

Para asegurar la arquitectura empresarial, niik es un abanderado en los fundamentos de la ingeniería de software. La llegada de la agéntica debe organizarse y ordenarse para sacarle el mejor y mayor provecho. Desde niik somos conscientes que esta disciplina se ha movido hacia la intencionalidad, la orquestación de sistemas autónomos y la verificación rigurosa utilizando la IA. Queremos invitar a nuestros clientes para que con el apoyo de la agéntica el modelamiento de las soluciones de software se haga definiendo objetivos, restricciones y entornos para que los ADIs ejecuten todo el SDLC de forma autónoma con la asistencia de los arquitectos de negocio y TI.

contactanos@niik.net
+57 3182352827 / +57 3103124796
#ConiikTIC
#TuCompañiaEnElMundoDigital

Fuente: 1) El impacto del SDLC agencial. Rafael Rocha. LinkedIN. Agosto 2026. 2) What matters in AI right now. Deaplearning.AI. The Batch. Agosto 2026. 3) investigaciones y redacción realizadas por el equipo de arquitectura de niik. 09/2026.