El impacto de la inteligencia artificial sobre el desarrollo de software viene siendo profundo y cambiante. Hace un año, AMD describía su plan de usar IA no solo para generar líneas de código, sino para otras etapas del ciclo de vida del desarrollo: triaje de problemas, depuración y pruebas. En ese momento la expectativa era un alza de productividad del 25% en un plazo de dos o tres años.
Un año después, la meta quedó atrás. La compañía reporta un 30% de aumento de productividad gracias a la IA, y ahora está replanteando no solo cómo la usa dentro del ciclo de desarrollo, sino la estructura misma de ese ciclo.
¿Cuánto código de AMD escribe hoy la IA?
Medir productividad es difícil, por lo que AMD eligió desde el comienzo una métrica objetiva y sostenida en el tiempo: el porcentaje de código fuente generado por IA. Solo cuenta el código que pasa todas las revisiones y pruebas, y que termina incluido en el producto final.
Con ese criterio, la empresa cruzó la marca del 20% a comienzos de este año y avanza hacia el 50% en la totalidad de su base de código. En algunos componentes de software, más del 80% del código ya se genera con IA.
Los agentes están presentes en cada etapa del ciclo, según el detalle entregado por la compañía a IEEE Spectrum:
- Análisis y triaje: los agentes analizan reportes de problemas, identifican y agrupan solicitudes similares, y señalan qué fragmentos de código probablemente necesiten modificación.
- Depuración y generación: reciben la instrucción de analizar un reporte de error e implementar los cambios necesarios.
- Pruebas: generan pruebas unitarias y, si estas se aprueban, identifican las pruebas de integración y de producto que corresponden.
- Aprobación y liberación: preparan el resumen de arquitectura, la revisión de cambios y los resultados completos de pruebas para que un ingeniero apruebe la integración.
Del copiloto al enjambre
Hoy los ingenieros crean agentes a su propia imagen: le enseñan a la IA lo que saben del sistema, cómo arreglarían un problema y cómo implementarían un cambio. Eso ya permite que cada ingeniero genere múltiples "versiones IA" de sí mismo que trabajan en paralelo. La limitación, advierte AMD, es que esos agentes siguen atrapados dentro del pensamiento humano y de enfoques definidos por humanos.
La siguiente transformación, en la visión de la compañía, llega cuando enjambres colaborativos de agentes puedan identificar y desarrollar soluciones de forma independiente, guiados por humanos respecto de qué resolver y no limitados por supuestos humanos sobre cómo hacerlo. En vez de entregar instrucciones detalladas, el ingeniero definiría el problema, el resultado esperado y las restricciones de calidad, rendimiento y sistema.
Un enjambre trabajaría entonces en paralelo para generar, evaluar y refinar múltiples enfoques de solución, validando corrección, midiendo rendimiento y comparando implementaciones alternativas contra criterios de éxito definidos. El resultado sería un conjunto de opciones ranqueadas con sus métricas, listas para revisión humana.
"Los agentes no van a mejorar cada paso del ciclo de desarrollo, van a reescribir el ciclo mismo", plantea la compañía en su análisis.
El caso Radeon: de 6% a 75% en ocho meses
El ejemplo más concreto que entrega AMD es el trabajo sobre Radeon Software eXperience (RSX), el componente de interfaz que permite configurar y monitorear el comportamiento del controlador gráfico. En octubre de 2025 la empresa empezó a usar agentes para depurar y corregir automáticamente los problemas reportados en RSX.
Las herramientas de IA listas para usar rindieron poco: resolvieron apenas el 6% de los casos. A partir de ahí AMD construyó un bucle de aprendizaje, al comienzo bastante manual, para entender dónde fallaban los agentes. En lugar de reentrenar los modelos de base, refinó los objetivos entregados a los agentes, permitiéndoles explorar varios enfoques, evaluar resultados contra criterios de éxito y converger en mejores soluciones.
Sumado a las mejoras propias de los modelos y de los entornos de ejecución, la tasa de resolución pasó de 6% a más del 75% en junio de 2026.
| Momento | Problemas de RSX resueltos por agentes |
|---|---|
| Octubre 2025 (herramientas de caja) | 6% |
| Junio 2026 (con bucle de aprendizaje) | más de 75% |
La compañía usa de forma extensiva entornos agénticos de terceros como Codex y Claude Code, mientras desarrolla en paralelo sus propios sistemas multiagente internos.
¿Qué pasa con los ingenieros?
AMD sostiene que su objetivo es aumentar la productividad y la calidad para que los empleados se concentren en trabajo de mayor valor, no reducir dotación. La empresa declara estar invirtiendo fuerte en educación y capacitación en IA a nivel transversal.
A medida que los agentes mejoren, señala, los ingenieros dedicarán menos tiempo a implementar soluciones de forma manual y más a definir especificaciones, validar resultados y tomar decisiones estratégicas.
Para equipos de desarrollo en Chile y la región, la cifra útil de este reporte no es el 30% de productividad sino el salto de 6% a 75%: muestra que el rendimiento de un agente depende menos del modelo elegido que del bucle de retroalimentación construido alrededor. Ese bucle se puede armar con herramientas abiertas y un equipo pequeño, sin la escala de una AMD detrás.
