Todo el mundo habla de indicaciones. Todo el mundo debate qué modelo es mejor. Pero cuando empiezas a trabajar con agentes de IA en el desarrollo de software real, descubres rápidamente algo mucho más importante: ninguno de ellos importa sin contexto. Un agente sin contexto es como un ingeniero sénior que se introduce en una base de código desconocida, sin documentación, sin entorno configurado y sin instrucciones. Aún puede hacer algo, pero no será bueno.

En Nybble, esa constatación transformó nuestra forma de pensar sobre el desarrollo agenético. Antes de hablar de qué delegamos a los agentes, debemos pensar en cómo preparar el terreno. Como suele recordar Leo Rodríguez, Director de Tecnología e Innovación de Nybble, la productividad no comienza con la consigna, sino "cuando se prepara el proyecto para que el agente realmente entienda cómo funciona".

El contexto es el sistema operativo que hace posible el desarrollo agente. Este artículo explora exactamente por qué el contexto es importante, cómo lo diseña Nybble y por qué el futuro del desarrollo agente comienza mucho antes de la primera línea de código generado por IA.

Documentar para la IA: proporcionar a los agentes un mapa del territorio

Cuando Nybble empezó a experimentar con agentes, algo quedó claro: estos funcionan tan bien como el contexto que se les da. Los humanos pueden adivinar, inferir y completar lagunas. Los agentes no pueden, al menos no de forma fiable.

Así que Nybble desarrolló un hábito: documentar para la IA .

Esto va más allá de un README tradicional. Implica crear archivos como AGENTES.md que explican:

• Cómo se ejecuta el proyecto
• Cómo se ejecutan las pruebas
• Decisiones de arquitectura
• Dependencias e integraciones
• ¿Qué partes del sistema no deben considerarse?

Esta documentación no es algo que estaría bien tener; es combustible.

Leo lo expresa así: «La documentación ya no es solo para humanos. También es para agentes». Afirma que los agentes necesitan límites claros: «Cómo se ejecuta el proyecto, cómo se prueba, qué está permitido y qué no».

Una vez que un agente comprende el contexto, su resultado deja de parecer una conjetura y comienza a parecerse a una colaboración real.

CI como contexto: enseñar a los agentes las reglas del juego

El contexto no es solo texto. El contexto también reside en el flujo de trabajo.

Un flujo de trabajo de integración continua (CI) sólido se convierte en una guía para los agentes: cada confirmación activa el análisis de errores, las pruebas y los controles de calidad. Este ciclo de retroalimentación le indica al agente qué se considera "bueno" y qué falla en la compilación.

Leo lo capta a la perfección: «Si cada confirmación activa el linting y las pruebas automáticamente, el agente aprende las reglas del juego. No tienes que decirle cada vez que tu pipeline le indica qué es aceptable».

En otras palabras, la CI se convierte en el entorno donde los agentes aprenden la relación causa-efecto. Con el tiempo, esa estructura moldea su comportamiento mucho más que cualquier estímulo.

Planifique antes de codificar: use la IA para pensar, no solo para escribir

Otro cambio que Nybble adoptó es planificar con agentes , no sólo codificar con ellos.

Tradicionalmente, los desarrolladores pasan de una historia de usuario directamente a la implementación. Con los agentes, Leo aboga por un paso adicional, un paso que ahorra horas después:

• comparte la historia del usuario
• deja que el agente lo cuestione
• refinar los supuestos faltantes
• generar una especificación técnica detallada
• Iterar hasta que la especificación represente verdaderamente la solución

Leo suele enfatizar este punto al principio del proceso: «No empiezo a codificar hasta que estoy satisfecho con la especificación técnica. Si dejas que el agente te ayude a refinar ese primer paso, te ahorras muchos problemas más adelante».

Aquí es donde Nybble utiliza modelos de pensamiento/planificación (capaces de analizar restricciones, detectar inconsistencias y anticipar problemas) antes de cambiar a modelos de generación de código.

Es un pequeño cambio de mentalidad: usar agentes para pensar primero y escribir después. Los modelos de planificación cuestan más, pero se amortizan rápidamente gracias a menos iteraciones y menos sorpresas.

Modo Laboratorio vs. Modo Producción: La profundidad del contexto lo cambia todo

Uno de los mayores errores sobre el desarrollo de agentes es que estos deben usarse de la misma manera en todas partes. Nybble aprendió lo contrario: la profundidad del contexto debe estar a la altura de lo que está en juego.

Modo laboratorio: contexto más flexible, aprendizaje más rápido

En experimentos iniciales, como paneles de control, herramientas internas y funciones de prueba de concepto, Nybble utiliza una versión más ligera del contexto. El objetivo no es un código perfecto, sino la velocidad y el aprendizaje.

Como explica Leo durante las sesiones internas: «En el laboratorio, usamos agentes para probar cosas rápidamente. No importa si el código no es perfecto, porque el objetivo es aprender, no entregar un producto final».

Aquí es donde gana la curiosidad: prototipos rápidos, bocetos de interfaz de usuario, ideas de flujo de trabajo e incluso experimentos de infraestructura.

Modo de producción: el contexto se vuelve innegociable

Al ofrecer funciones reales a los clientes, la situación cambia. El ciclo de vida del desarrollo de software (SDLC) no desaparece, sino que se mejora. Los agentes operan dentro de:

• documentación estricta
• directrices de arquitectura
• Reglas de CI/CD
• requisitos de prueba
• restricciones de seguridad

Leo es directo sobre la distinción: "Para una función de cliente importante, no se puede trabajar como si se estuviera en el laboratorio. Se sigue usando IA, pero se usa dentro de un ciclo de vida del desarrollo de software (SDLC) adecuado: con arquitectura, pruebas y revisión.

Los agentes aceleran el trabajo, pero nunca sustituyen la disciplina y el criterio.

Si quieres mejores agentes, crea un mejor contexto

A lo largo de docenas de experimentos y proyectos reales, Nybble aprendió una verdad fundamental: los agentes no se vuelven útiles cuando el modelo se vuelve más inteligente; se vuelven útiles cuando el contexto se vuelve más claro.

Para que los agentes funcionen, necesitas:

• Un entorno documentado
• Una estructura de proyecto diseñada para la colaboración entre agentes
• CI/CD que proporciona retroalimentación inmediata
• Planificación realizada con modelos de pensamiento
• Barandillas para cuando estás en modo de producción

O en palabras de Leo: «El objetivo no es dejar de programar. Es preparar nuestros proyectos para que los agentes puedan ayudarnos a lograr un mejor resultado, más rápido, sin perder calidad».

El desarrollo agéntico comienza mucho antes del primer mensaje, y su éxito depende de todo lo que se construye antes de que el agente escriba una sola línea de código. Cuando el contexto se diseña con intención, los agentes no solo generan resultados, sino que amplían la capacidad de creación de los equipos.

Al final, los grandes agentes no son magia, sino el resultado de una gran preparación. Y ahí es donde Nybble brilla.

Un mejor contexto genera mejores agentes, mejor colaboración y mejores resultados. Cuando se diseña con cuidado, los equipos se fortalecen, la entrega se vuelve más fluida y la innovación se vuelve sostenible.

Ese es el extraordinario futuro que estamos construyendo en Nybble, un proyecto a la vez.