GitHub: el programador deja de escribir código para dirigir agentes de IA

Escribir cada línea a mano está dejando de ser el centro del oficio de programar. Según Karan M.V., director internacional de Relaciones con Desarrolladores de GitHub, el desarrollador está pasando de ser autor de código a algo más parecido a un coordinador: alguien que define el problema, reparte tareas entre agentes de inteligencia artificial y comprueba que el resultado sirve. Lo explicó en una entrevista con Saba Aafreen para Open Source For You, recogida en España por Computer Hoy.

Qué significa "orquestar agentes"

Un agente de IA es un sistema que no se limita a sugerir fragmentos de código: recibe un encargo, trabaja con el contexto de un repositorio (el almacén donde vive el código de un proyecto) y devuelve cambios ya elaborados. La diferencia con los primeros asistentes de programación está, según Karan, en el grado de autonomía.

Ese salto obliga a redefinir el papel humano. El programador decide qué hay que construir, trocea el trabajo, aporta contexto, fija restricciones y revisa lo que sale. También determina qué se puede delegar, qué permisos recibe cada agente y, sobre todo, dónde están los límites.

El responsable de GitHub menciona que las tareas repartibles abarcan desde el frontend (la parte visible de una aplicación) y el backend (la lógica y los servidores que hay detrás) hasta bases de datos y pruebas automatizadas, además de depuración, revisión de código y validación de decisiones de arquitectura.

Los fundamentos no desaparecen

La lectura fácil sería concluir que ya no hace falta saber programar. Karan defiende lo contrario: la informática, la ingeniería de software y el diseño de sistemas siguen siendo imprescindibles precisamente para juzgar si una solución tiene sentido o si el modelo se está equivocando.

Ahí está el matiz más relevante de su argumento. Cuanta más ejecución se automatiza, más importa distinguir entre un resultado que parece correcto y uno realmente fiable. Un código que compila y pasa una prueba superficial puede seguir siendo una mala decisión de arquitectura. Detectar eso requiere criterio, y el criterio se construye con fundamentos. Quien empieza hoy en el oficio necesita igualmente un orden claro al aprender un framework antes de delegar nada.

La apuesta de GitHub

La estrategia de la compañía va en esa dirección. La IA ya no interviene solo generando fragmentos, sino también en revisiones, integración continua, depuración y mantenimiento de repositorios. GitHub plantea flujos donde los agentes clasifican incidencias, investigan fallos en los procesos de integración o mantienen la documentación al día.

Esas acciones no quedan sueltas: pueden acotarse mediante permisos y siguen pasando por los controles habituales —pruebas automáticas, revisión de código y protecciones de rama— antes de que un cambio entre en el proyecto. El programador no sale del proceso; se desplaza hacia las decisiones que determinan cómo funciona ese proceso y qué resultados se aceptan.

Los números que maneja la compañía

Karan afirma que GitHub ha pasado de unos 4 millones de desarrolladores en la India en 2020 a más de 27 millones en la actualidad. El último dato detallado del informe Octoverse situaba esa comunidad en 21,9 millones en 2025, frente a 4,5 millones cinco años antes, lo que la convierte en la segunda mayor de la plataforma.

Ese mismo informe contabilizaba más de 180 millones de desarrolladores en todo el mundo y apuntaba a una presencia creciente de agentes en los flujos de trabajo. La propia GitHub avisa, sin embargo, de que la coincidencia temporal entre ambos fenómenos no demuestra que la IA sea la causa del aumento de actividad.

Por qué importa

El discurso encaja con un movimiento más amplio de la industria. Los grandes proveedores llevan meses empujando modelos capaces de actuar por su cuenta, y las empresas empiezan a medir su rentabilidad: un informe reciente calculaba que los agentes se amortizan en unos ocho meses cuando los datos están ordenados. En paralelo, los propios fabricantes reconocen que la supervisión de estos sistemas se complica a medida que ganan autonomía.

Si escribir código se vuelve más rápido y barato, el valor se concentra en otro sitio: entender bien el problema, plantear buenas restricciones, detectar errores y decidir qué merece llegar a producción. No es una jubilación del programador, sino un cambio de foco.