El agente de código fiable no es el que más sabe, sino el que menos decide.

Yu et al. demuestran que compilar SOPs empresariales a pseudocódigo ejecutable y correrlos sobre una máquina de pila guiada por programa produce ganancias que la prosa del SOP original no logra [3]. El texto compilado nunca perjudica significativamente al modelo y gana hasta 16 puntos donde la prosa oficial rinde por debajo. Pero el hallazgo más revelador es que la guía de runtime es capability-gated: los modelos fuertes se benefician (contrastes PG positivos de 58:19 y 75:31 pares discordantes), mientras que los modelos débiles son perjudicados por la misma estructura [3].

Nuestra lectura: este trabajo valida que la restricción estructural amplifica al modelo fuerte y expone al débil. La implicación para equipos de ingeniería es que invertir en scaffolding determinista —la compilación del procedimiento, el cursor de programa, la visibilidad selectiva del frame— es una apuesta más segura que esperar a que el siguiente modelo resuelva el seguimiento de instrucciones complejas por fuerza bruta de contexto.

Borman et al. llevan el argumento a su consecuencia económica comparando un agente especialista para transformación de BPMN contra Roo y Cline como baselines generalistas [5]. Los resultados son llamativos no solo en precisión sino en eficiencia operativa: el especialista reduce el coste de tokens de generación en más de un 95%, elimina iteraciones de reparación por completo, y produce entre 3× menos errores de llamada a herramientas [5]. Los generalistas, además, generan código inconsistente tanto en funcionalidad como en calidad.

Los autores son cuidadosos en no generalizar a tareas de dominio abierto [5], y esa cautela es correcta. Pero el punto arquitectónico refuerza nuestra tesis: cuando la semántica de control de flujo es explícita y determinista, delegar esa estructura al LLM generalista es pagar un impuesto innecesario en tokens, latencia y errores. El coste de desarrollo adicional del especialista se amortiza en fiabilidad operativa.

WorkBuddy Bench de Tencent aborda un problema ortogonal pero igualmente estructural: cómo medir agentes sin que la evaluación se convierta en otro dato de entrenamiento [2]. Su decisión de diseño más interesante es que la resistencia a contaminación no descansa en mantener el dataset oculto —lo publican íntegro, con harness, pruebas y soluciones de referencia— sino en la ingeniería inversa del prompt: cada tarea se reescribe como solicitud coloquial de rol que no es recuperable mediante búsqueda del commit o PR original [2].

Igualmente deliberada es la negativa a reportar una media global de la suite. Cada subconjunto —Code, Web, Office, Security— usa un instrumento de puntuación distinto, y las puntuaciones no son comparables entre ellos [2]. Esto impide el ranking simplista de un único número y fuerza a quien evalúa a mirar el rendimiento por dominio. Creemos que esta disciplina metodológica —rechazar la métrica agregada cuando no es legítima— es más valiosa que el propio leaderboard.

AI Prototyper para Figma ilustra dónde sí tiene sentido que el humano intervenga [4]. El plugin descompone una descripción en lenguaje natural en características GUI discretas, recupera componentes de una biblioteca de 32 primitivos mediante RAG, y renderiza capas Figma editables. Pero antes del renderizado introduce un paso de edición human-in-the-loop donde el diseñador revisa, modifica o extiende la lista de características generadas [4]. El modelo no decide qué se construye; propone una descomposición que el humano valida. La evaluación preliminar reporta que los participantes asistidos completaron más prototipos en tiempo fijo y que expertos valoraron los prototipos generados más alto en nueve dimensiones de calidad [4].

Los autores no reportan tamaños de muestra, así que tratamos estos resultados como indicativos, no como evidencia fuerte [4].

Cinco trabajos, un mismo vector: la fiabilidad de los agentes de código mejora cuando el diseño del sistema extrae del modelo las decisiones que admiten resolución determinista. La memoria se entrega por señales evaluadas por el harness, no recordadas por el LLM [1]. El procedimiento se compila a pseudocódigo y se pagina con un cursor de programa [3]. La herramienta se invoca por un especialista con semántica de dominio cableada, no por un generalista que improvisa [5]. La evaluación se resiste a la contaminación por diseño del prompt, no por ocultamiento [2]. Y la intervención humana se coloca antes de la generación, no después como parche [4]. En cada caso, lo que gana no es el modelo más capaz sino la arquitectura que le deja menos margen para equivocarse.