La mayoría de los equipos de TI ya usa asistentes de programación con IA, normalmente persona a persona y cada uno a su manera. Que eso ayude depende menos de la herramienta que de cómo la introduce el equipo. Con mi propio equipo DevOps y con todo el departamento de TI de un cliente, operaciones y desarrollo incluidos, probé varios enfoques, y tropecé más de una vez, hasta encontrar una forma de trabajar que perdura. Este artículo no describe ese método. Recoge lecciones documentadas públicamente: ejemplos conocidos de lo que sale mal y de lo que funciona.
Qué sale mal
El asistente tiene más acceso del que debería
En julio de 2025, un agente de IA de la plataforma Replit borró una base de datos en producción durante una congelación de código (Fortune, en inglés). El consejero delegado de Replit lo calificó de «inaceptable» y de algo que «nunca debería ser posible», y empezó a separar automáticamente las bases de datos de desarrollo y de producción (The Register, en inglés).
La lección: una congelación de código que solo existe en las instrucciones no es una congelación. Lo que el asistente no debe tocar tiene que quedar fuera de su alcance, mediante permisos y entornos separados, con copias de seguridad y una forma probada de volver atrás.
Las propias herramientas se convierten en una vía de ataque
También en julio de 2025, una versión de la extensión Amazon Q Developer para VS Code contenía código malicioso. Un atacante había usado un token de GitHub con permisos demasiado amplios para añadirlo al repositorio de la extensión, y el código se incluyó automáticamente en una versión publicada; solo un error de sintaxis impidió que se ejecutara (boletín de seguridad de AWS, en inglés). La instrucción inyectada pedía al agente dejar el sistema «casi en estado de fábrica» y borrar recursos del sistema de archivos y de la nube (404 Media, en inglés).
Una segunda vía es el contenido que lee el asistente. En mayo de 2025, Invariant Labs mostró cómo una incidencia maliciosa en un repositorio público de GitHub podía hacer que un agente filtrara datos de repositorios privados, y señaló que muchos usuarios aprueban las acciones de las herramientas con «Permitir siempre» y dejan de vigilarlas (Invariant Labs, en inglés).
La lección: las herramientas de IA, sus extensiones y sus servidores MCP forman parte de su cadena de suministro de software. Instálelas como cualquier otra dependencia, deles el mínimo acceso necesario y asegúrese de que una persona apruebe lo importante.
Datos de la empresa en herramientas personales
En 2023, Samsung restringió el uso de la IA generativa en los dispositivos de la empresa después de que parte de su plantilla subiera código fuente sensible a un chatbot público (TechCrunch, en inglés). La situación sigue siendo habitual: en la encuesta de Stack Overflow de 2026, el uso de la IA es opcional y queda a criterio de cada persona para el 30 % de los desarrolladores, y solo el 24 % dispone de herramientas aprobadas y de pautas (Stack Overflow Developer Survey 2026, en inglés).
La lección: decidir qué herramienta, qué plan y qué datos antes de que cada persona encuentre su propio camino.
Sugerencias que nadie comprueba
Los asistentes producen código que parece correcto. Un estudio presentado en USENIX Security 2025 concluyó que, de media, al menos el 5,2 % de los paquetes sugeridos por modelos comerciales y el 21,7 % de los sugeridos por modelos de código abierto no existían (Spracklen et al., en inglés), algo que los atacantes pueden aprovechar publicando paquetes con esos nombres. En la encuesta de Stack Overflow de 2025, la frustración más citada, por el 66 % de los desarrolladores, eran las «soluciones de IA casi correctas, pero no del todo» (Stack Overflow Developer Survey 2025, en inglés).
Sentirse más rápido no es lo mismo que serlo
En un estudio controlado de principios de 2025, desarrolladores experimentados de código abierto tardaron un 19 % más con herramientas de IA, aunque esperaban ser un 24 % más rápidos y después seguían creyendo que lo habían sido un 20 % (METR, en inglés). La propia METR considera ahora probable que los desarrolladores sean más rápidos con las herramientas actuales (METR, 2026, en inglés). Lo que queda es la distancia entre la impresión y la medición: en aquel estudio, los desarrolladores sobrestimaron en unos 40 puntos porcentuales el efecto de la IA en su tiempo, y la encuesta de METR de 2026 sobre mejoras autodeclaradas sigue citándolo como motivo de cautela (encuesta de METR, en inglés).
Qué funciona
La revisión sigue en manos de personas
En Google, el 75 % de todo el código nuevo lo genera ya la IA y lo aprueban ingenieros (Google, en inglés). El orden importa: primero se genera, después se revisa. Superar las pruebas no basta por sí solo: METR comprobó que aproximadamente la mitad de los cambios generados por IA que superaban las pruebas de un benchmark muy utilizado no habrían sido aceptados por los responsables de los proyectos (METR, en inglés).
El contexto, por escrito
Anthropic describe cómo trabajan sus propios equipos con Claude Code: documentan los flujos de trabajo, las herramientas y las expectativas en archivos CLAUDE.md, hacen commit con frecuencia para poder deshacer los cambios, y el equipo de seguridad pide a Claude Code que explique los planes de Terraform antes de un cambio de infraestructura (Anthropic, PDF, en inglés). Un archivo CLAUDE.md en el repositorio da a todo el equipo las mismas instrucciones de proyecto (documentación de Claude Code).
Reglas que la herramienta hace cumplir
Las instrucciones son contexto, no una barrera. Para eso, Claude Code tiene tres niveles, y todos pueden guardarse en el repositorio:
- Las reglas de permisos deciden qué puede hacer el asistente sin preguntar, qué necesita confirmación y qué no se permite nunca; las reglas de denegación siempre prevalecen (permisos).
- Los hooks se ejecutan en momentos fijos, por ejemplo el formateador y el linter después de cada edición, y se ejecutan siempre, decida lo que decida el modelo (hooks).
- El sandbox limita, a nivel del sistema operativo, los archivos y los destinos de red a los que pueden llegar los comandos de shell (sandbox).
Tareas bien definidas con comprobaciones automáticas
Airbnb migró casi 3.500 archivos de pruebas a una nueva biblioteca de testing con ayuda de la IA en seis semanas; a mano, lo había estimado en año y medio. Cada archivo pasaba al siguiente paso solo después de superar las comprobaciones del anterior; los archivos que la automatización no pudo terminar se corrigieron a mano (Airbnb, en inglés). El éxito vino tanto de las comprobaciones alrededor del modelo como del propio modelo.
Formación con el trabajo del propio equipo
Los cursos generales se olvidan pronto. Lo que se queda es la práctica con los repositorios, los pipelines y las incidencias del propio equipo, con las mismas reglas sobre datos y revisión que se aplicarán después. En la UE, el Reglamento de IA exige además a las organizaciones que usan IA que apoyen la alfabetización en IA de su personal (EUR-Lex).
Una implantación que perdura
- Elegir la herramienta y el plan, y acordar qué datos pueden ir en ella, antes de extender su uso.
- Empezar con un grupo piloto pequeño, como recomienda también Anthropic (documentación de Claude Code), y uno o dos repositorios.
- Guardar en los repositorios las instrucciones compartidas, las reglas de permisos y los hooks.
- No dar al asistente más acceso que a una persona recién incorporada: sin credenciales de producción, con entornos separados y con aprobaciones para lo importante.
- Mantener la revisión y las pruebas como están, y formar a cada equipo con sus propias tareas.
- Al cabo de unas semanas, medir con su propio trabajo en lugar de fiarse de las impresiones.
Cómo puedo ayudarle
Introduzco Claude Code en equipos de TI, en desarrollo, operaciones y DevOps: la configuración, las reglas sobre accesos, datos y revisión, y formación práctica con las tareas del propio equipo. He pasado por una implantación así en la práctica, con mi propio equipo DevOps y en todo el departamento de TI de un cliente.