Agentic Engineering: la nueva disciplina para construir software con agentes de IA

En los últimos meses, la IA ha dejado de ser «solo» un asistente que sugiere líneas de código. Se está convirtiendo en un sujeto operativo: planifica, escribe, prueba, integra herramientas, ejecuta acciones. En otras palabras: no solo «chatea», trabaja.

Ahí nace un concepto cada vez más citado: Agentic Engineering. Una disciplina a medio camino entre la ingeniería de software, el product management y la seguridad. Y responde a una pregunta muy práctica:

¿cómo usamos agentes de IA para ir más rápido sin bajar calidad, seguridad y fiabilidad?

En este perímetro también trabajamos con Agentic Engineering: método, guardrails y entrega sobre el mismo stack que ya integramos para clientes.

Qué es Agentic Engineering (en una frase)

Agentic Engineering es el conjunto de métodos, procesos y guardrails para orquestar agentes de IA que producen output (código, documentos, análisis, automatizaciones) de forma verificable y gobernada.

Si el vibe coding es «prototipar rápido y que funcione», Agentic Engineering es «llevar la IA a producción sin hacerse daño».

Por qué importa ahora

Muchos equipos viven el mismo fenómeno: la IA se ha vuelto lo bastante fuerte como para generar bloques completos de trabajo. El riesgo es que esto cree dos efectos secundarios:

1. Velocidad sin control → código que «parece ok» pero introduce regresiones, vulnerabilidades, deuda técnica.
2. Ilusión de fiabilidad → output fluido, pero no siempre correcto (los agentes siguen siendo probabilísticos, no deterministas).

Agentic Engineering nace precisamente para convertir el entusiasmo en ventaja competitiva sostenible.

La idea clave: ya no es «prompting», es «sistema»

El punto no es escribir el prompt perfecto. Es construir un sistema en el que el agente:

• recibe contexto adecuado (spec, restricciones, ejemplos, repo, estándares)
• opera con permisos controlados
• produce output verificable
• se evalúa con tests y políticas
• deja rastros (auditoría) y permite rollback

En la práctica: no le pides un favor a un chatbot, gestionas una cadena de producción.

Los 7 principios de Agentic Engineering

1) La especificación viene antes que el código

Los agentes hacen aún más importante lo que a menudo saltamos: objetivos, restricciones, edge cases, requisitos no funcionales (seguridad, rendimiento, privacidad).

El output mediocre casi siempre viene de un input ambiguo.

2) Verificabilidad en el centro

Los agentes prosperan donde la verificación es posible. Así que hay que diseñar para la verificación:

• tests automatizados
• lint/type-check
• análisis estático
• suite de regresión
• checklist de seguridad

3) Permisos graduales y controlados

Un agente «con las llaves de casa» es un riesgo. Mejor niveles:

• solo lectura (analiza y propone)
• escritura (abre PR)
• deploy (solo con aprobación)
• acceso a datos sensibles solo cuando haga falta + masking/log

4) Orquestación por rol, no por «un agente que lo hace todo»

Un patrón potente es separar roles:

• Architect Agent (elecciones, trade-offs, diseño)
• Builder Agent (implementación)
• Test Agent (tests + edge cases)
• Security Agent (vuln, política, secrets)
• Reviewer Agent (limpieza, estándares, mantenibilidad)

5) Output pequeño, iteraciones rápidas

Agentes + PR enormes = caos. Mejor:

• incrementos pequeños
• commits/PR legibles
• change log claro
• rollback fácil

6) Guardrails y policy as code

Reglas explícitas y automáticas:

• «nunca registrar PII»
• «no introducir dependencias sin aprobación»
• «si tocas auth/pagos → tests obligatorios»
• «sin credenciales en el repo»

7) Los humanos siguen siendo responsables del juicio y el gusto

Los agentes pueden recordar APIs y escribir boilerplate. Pero arquitectura, simplicidad, prioridades y calidad percibida siguen siendo (por ahora) competencias humanas.

Un framework operativo simple: SPEC → BUILD → VERIFY → SHIP

SPEC

• objetivo
• restricciones
• definición de «done»
• riesgos + qué no hacer
• ejemplos de input/output

BUILD

• el agente implementa en branch
• produce PR con descripción + rationale
• propone tests

VERIFY

• pipeline automatizado (test/lint/security)
• reviewer agent «estresando» edge cases
• opcionalmente un attacker agent intenta romper cosas

SHIP

• merge solo si se cumplen umbrales
• monitoring + alertas
• checklist post-release

Casos de uso concretos para empresas

Agentic Engineering no es solo «coding». Es automatización de trabajo cognitivo verificable:

• Desarrollo y mantenimiento de software: refactors guiados, migraciones, generación de tests, reducción de bug backlog
• Compliance y policy: controles documentales, checklists, generación de evidencias
• Customer operations: triaje de tickets, clasificación, respuesta asistida con controles
• Marketing & content ops: pipelines de contenido con estándares de brand voice + fact-check
• Procurement y operaciones: parsing documental, comparaciones, extracción de datos estructurados

Errores típicos (que vemos a menudo)

• «Que el agente lo haga todo» sin tests → regresiones invisibles
• Contexto pobre → output elegante pero fuera de rumbo
• Sin control de permisos → riesgo operativo
• Sin métricas → no sabes si estás mejorando de verdad

Cómo empezar (sin revolucionarlo todo)

1. Elige un proceso repetible (p. ej. bugfix, cobertura de tests, informes, contenido)
2. Define estándares y políticas (checklist + reglas)
3. Monta una pipeline mínima de verificación
4. Introduce agentes por rol (builder + reviewer)
5. Mide: lead time, tasa de bugs, incidentes, calidad de PR, tiempos de review

Conclusión

Agentic Engineering es el paso de «IA que ayuda» a «IA que produce», pero con una diferencia fundamental: la calidad no puede ser opcional.

Quienes construyan ahora una disciplina de verificación, guardrails y orquestación convertirán a los agentes en una ventaja real. Quienes los usen «a ojo» probablemente pagarán el precio en deuda técnica, incidentes y pérdida de control.

¿Quieres entender cómo aplicarlo a tu stack? Hablemos.