Las herramientas de IA pueden producir mucho código con rapidez. Eso hace que probar sea más importante, no menos, porque el costo de escribir código baja mientras el costo de un defecto que nadie detecta no. Esta guía describe una forma práctica de probar y revisar código generado con IA para que la velocidad no sacrifique la calidad.
Por qué el código encaja con la IA y por qué aun así necesita revisión
La guía de Anthropic para construir agentes efectivos explica por qué los agentes de código funcionan bien: las soluciones de código se pueden verificar con pruebas automatizadas, los agentes pueden iterar usando los resultados de las pruebas como retroalimentación y el espacio del problema está bien definido y estructurado. La misma guía agrega una salvedad importante: las pruebas automatizadas ayudan a verificar la funcionalidad, pero la revisión humana sigue siendo clave para asegurar que las soluciones se alineen con los requisitos más amplios del sistema.
Ambas mitades importan. Las pruebas dan a los agentes y a tu equipo retroalimentación rápida y objetiva. Las personas revisan lo que las pruebas no pueden: si el cambio encaja con la arquitectura, las reglas de negocio y la forma en que opera tu sistema.
A continuación, nuestra lista práctica. Solo la primera sección se basa en la guía de Anthropic.
1. Trata el código generado como un borrador sin verificar
Revisa lo que produce la IA como revisarías un pull request de alguien nuevo en el código. Puede verse correcto y aun así omitir un requisito, usar un enfoque desactualizado o introducir una dependencia innecesaria.
2. Escribe primero los criterios de aceptación y las pruebas
Decide qué significa "terminado" antes de generar el código. Los criterios de aceptación y las pruebas escritos primero dan al agente una meta y te dan una forma de saber si la alcanzó. Si el agente también escribe las pruebas, revísalas: una prueba escrita para que pase el código demuestra poco.
3. Mantén los cambios pequeños
Los cambios pequeños son más fáciles de revisar, de probar y de revertir. Pide un cambio bien definido a la vez en lugar de una reescritura grande.
4. Organiza tus pruebas por capas
- Pruebas unitarias que revisan funciones individuales y casos límite.
- Pruebas de integración que verifican que los componentes y los servicios externos funcionen juntos.
- Pruebas de regresión que protegen el comportamiento que ya funcionaba.
- Verificaciones de extremo a extremo que confirman los flujos principales del usuario.
Incluye los casos difíciles: entradas vacías, formatos inesperados, fallas de sistemas externos y permisos.
5. Pon puertas de calidad en tu pipeline
Ejecuta automáticamente pruebas, linting, verificación de tipos y escaneo de dependencias y secretos en cada cambio, y exige que pasen antes de integrar. Las puertas aplican el mismo estándar a cada cambio, lo haya escrito una persona o un agente.
6. Revisa lo que las pruebas no ven
Una persona debe revisar:
- El encaje con la arquitectura y con las convenciones de tu código.
- Las reglas de negocio, sobre todo los casos límite que las pruebas no cubren.
- La seguridad, incluyendo el manejo de entradas, la autenticación y los secretos.
- Las dependencias y licencias que introduce el cambio.
- La mantenibilidad. ¿Otro ingeniero lo entenderá en seis meses?
7. Verifica en un entorno realista
Ejecuta el cambio en un entorno de staging con datos representativos antes de producción. Usa feature flags o despliegues graduales donde un defecto sería costoso y conserva una forma de revertir.
8. Aprende de los defectos
Cuando se cuela un defecto, agrega una prueba que lo habría detectado y ajusta la lista de revisión. Con el tiempo tu conjunto de pruebas se vuelve la memoria compartida de lo que debe seguir funcionando.
Para qué sirve la IA al probar
La IA puede ayudar a redactar pruebas, sugerir casos límite, resumir fallas y explicar código desconocido. Úsala como asistente del proceso anterior, no como sustituto.
Si quieres un equipo que trabaje así, un Pod de IA combina agentes de IA con revisión de ingeniería senior y preparación para liberar a producción. Para el lado de producción, consulta la lista de verificación del prototipo de IA a producción.