TL;DR: La programación cambió. No porque el código haya dejado de importar, sino porque ahora una parte importante del trabajo consiste en diseñar contexto, memoria y reglas para que los agentes trabajen mejor. Hoy, programar también es decidir qué recordar, qué documentar, qué delegar y en qué momento intervenir como humano.
Antes escribíamos más código. Ahora también diseñamos memoria.
Durante mucho tiempo, programar tenía una forma bastante clara: entender un problema, abrir el editor, recorrer archivos, sostener el contexto mentalmente y empezar a construir.
Eso no desapareció. Pero sí cambió.
Con la llegada de agentes de código cada vez más capaces, una parte importante del trabajo ya no está solo en escribir funciones, corregir errores o modelar arquitectura. Está en algo menos visible, pero igual de importante: preparar el terreno para que una inteligencia artificial pueda trabajar con claridad sin perderse en el camino.
Ahí es donde la idea de human in the loop deja de sentirse como una frase bonita y empieza a tener sentido de verdad.
El humano sigue estando en el centro, pero ya no necesariamente como la única entidad que ejecuta cada línea. Ahora también actúa como arquitecto del contexto, curador de memoria, revisor de criterio y editor de rumbo.
El nuevo cuello de botella ya no siempre es el código
Hay algo que he notado trabajando con herramientas como Codex, OpenCode y otros entornos de desarrollo asistidos por agentes: muchas veces el problema ya no es “si el modelo puede escribir el código”, sino si entiende bien qué estamos haciendo, por qué lo estamos haciendo y qué no debe tocar.
Ese cambio es enorme.
OpenAI presentó GPT-4.5 como un modelo con hasta un millón de tokens de contexto y capacidades nativas de uso de computadora en Codex y la API. Esa clase de ventana cambia la experiencia en tareas largas, sobre todo cuando hay que mantener continuidad técnica durante más tiempo. (OpenAI)
Pero incluso con mucho contexto disponible, algo sigue siendo cierto: más contexto no siempre significa mejor contexto.
Y ahí está una de las lecciones más importantes de este momento de la programación.
No siempre conviene mandar a un agente a releer todo un proyecto para entender qué pasa. Muchas veces funciona mucho mejor darle un archivo pequeño, bien cuidado, con el contexto justo: la especificación, la decisión de arquitectura, las restricciones, los archivos clave, los errores conocidos y el objetivo puntual de la tarea.
Eso no solo ahorra tokens. También ahorra ambigüedad.
Programar con agentes se parece cada vez más a dirigir bien
Anthropic documenta en Claude Code un modelo de trabajo que gira precisamente alrededor de esto: skills, subagentes y memoria en archivos Markdown. Los subagentes pueden definirse en Markdown con frontmatter, y las skills sirven para encapsular capacidades, instrucciones y flujos reutilizables. (Claude)
OpenCode, por su parte, también empuja en una dirección similar: agentes especializados, separación de funciones y un agente de planificación para analizar antes de tocar el código. (OpenCode)
Ese patrón se repite porque responde a una necesidad real.
Cuando uno trabaja con varios agentes o con sesiones largas, el problema no es solo ejecutar. El problema es mantener limpia la arquitectura de conversación. Que cada agente entienda su rol. Que no mezcle decisiones. Que no arrastre ruido innecesario. Que el contexto relevante esté disponible sin obligarlo a excavar entre cientos de archivos o miles de líneas.
En otras palabras: empezamos a pasar de “programar acompañado por IA” a orquestar trabajo técnico con memoria externa y contexto estructurado.
Y eso cambia bastante la forma de pensar.
Obsidian deja de ser una app de notas y se vuelve infraestructura cognitiva
Aquí entra algo que me parece especialmente interesante: herramientas como Obsidian ya no se sienten solo como un lugar para guardar ideas. En muchos flujos modernos se convierten en una especie de capa de memoria operativa.
Obsidian se presenta como una herramienta para organizar conocimiento, enlazar notas y construir una especie de Wikipedia personal sobre texto plano. (Obsidian)
Eso, llevado al trabajo con agentes, tiene muchísimo sentido.
Porque si uno ya sabe que una parte del valor está en no obligar al agente a reinterpretar el proyecto desde cero en cada sesión, entonces empieza a ser lógico guardar cosas como estas:
- especificaciones activas
- decisiones de arquitectura
- prompts que ya funcionaron bien
- errores recurrentes
- convenciones del proyecto
- lecciones aprendidas
- contexto de negocio
- mapas de archivos importantes
- criterios sobre qué sí y qué no debe automatizarse
Visto así, la memoria ya no es un lujo. Es parte del sistema.
De hecho, ya hay quienes están formalizando este enfoque con sistemas de PKM conectados a agentes, usando Obsidian, texto plano y skills para reducir la sobrecarga de gestionar conocimiento. (ericmjl.github.io)
Y honestamente, tiene lógica.
Markdown se volvió mucho más importante de lo que parece
Hay una razón por la que tantos flujos modernos están aterrizando en archivos Markdown.
AGENTS.md se está posicionando como un formato abierto para guiar agentes de código dentro de un proyecto, algo así como un README pensado específicamente para ellos. (agents.md)
Y recientemente Cloudflare explicó algo que muchos ya venían sintiendo en la práctica: Markdown no solo es cómodo para humanos, también suele ser mucho más eficiente para agentes. En su ejemplo, una página pasó de más de dieciséis mil tokens en HTML a poco más de tres mil en Markdown. (The Cloudflare Blog)
Eso importa.
Porque si uno está trabajando con agentes, cada capa de ruido innecesario compite contra el contexto que sí aporta valor. Y en ese entorno, Markdown tiene una ventaja muy concreta: estructura bien, pesa poco y se lee fácil.
Por eso la planificación en archivos Markdown ayuda tanto. No es solo una preferencia estética. Es una forma práctica de comprimir intención, memoria y dirección en un formato que tanto humanos como agentes pueden usar bien.
Mi experiencia: menos relectura, más continuidad
Personalmente, ahí es donde más noto la diferencia.
Uso Codex de OpenAI con GPT-4.5 y, sí, el contexto largo hace diferencia cuando el problema lo necesita. En tareas complejas, da aire. Permite sostener más continuidad y hace más natural trabajar sobre horizontes más amplios. (OpenAI)
Pero también le agarré mucho cariño a OpenCode por otra razón: optimiza mejor la experiencia del contexto cuando se trabaja con estructura. La idea de subagentes, la separación del trabajo y la planificación previa ayudan muchísimo a que la conversación técnica no se contamine. (OpenCode)
Y donde más se siente el cambio es aquí: en lugar de mandar a un agente a releer todo el código para entender qué está pasando, muchas veces basta con darle un archivo pequeño, bien delimitado, con el contexto necesario para la tarea.
Ese archivo puede decirle qué módulo se está tocando, qué decisiones previas ya están tomadas, cuáles son los riesgos, qué archivos debe revisar y cuál es el resultado esperado.
Y eso cambia todo.
Porque el agente deja de trabajar como alguien que acaba de entrar frío a una base de código enorme, y empieza a trabajar como alguien que recibió un brief técnico bien hecho.
Human in the loop no es “vigilar a la IA”. Es trabajar mejor con ella.
Creo que aquí vale la pena corregir una idea que a veces se queda muy corta.
Human in the loop no debería entenderse solo como “tener a un humano revisando por si la IA se equivoca”. Eso es cierto, pero incompleto.
También significa:
- decidir qué contexto vale la pena preservar
- convertir conocimiento difuso en memoria útil
- separar ejecución de criterio
- documentar decisiones para no repetir discusiones
- diseñar restricciones para que el agente no improvise donde no debe
- saber cuándo delegar y cuándo intervenir
En ese sentido, el humano no desaparece. Más bien se vuelve más importante.
No porque escriba cada línea, sino porque define el marco dentro del cual esas líneas van a tener sentido.
La programación se está pareciendo menos a escribir desde cero y más a construir sistemas de trabajo
Tal vez esa sea la idea de fondo.
Durante años pensamos en programar como el acto de producir código. Y claro que sigue siéndolo. Pero cada vez se siente más incompleto describirlo solo así.
Hoy, en muchos contextos, programar también es:
- diseñar especificaciones que un agente pueda seguir
- construir memoria externa para no perder decisiones
- dividir tareas entre agentes o etapas
- usar archivos guía para reducir fricción cognitiva
- convertir experiencia acumulada en contexto reutilizable
- mantener al humano en los puntos donde sí aporta criterio real
Eso no le quita valor al oficio. Lo hace más interesante.
Porque obliga a pensar mejor.
Lo humano sigue siendo el diferencial
Hay una tentación muy común en esta etapa: creer que el objetivo es sacar al humano del proceso.
Yo lo veo al revés.
Las herramientas están empujando a que el humano deje de gastar tanta energía en repetir contexto, releer lo mismo o reconstruir mentalmente decisiones ya tomadas. Y eso está bien. Para eso sirve una buena memoria externa.
Pero la parte que sigue marcando la diferencia es profundamente humana: criterio, intención, gusto técnico, prioridades, sentido de producto, capacidad de simplificar y juicio para decidir qué vale la pena hacer.
La IA puede recorrer más rápido.
El humano sigue decidiendo hacia dónde tiene sentido ir.
Cierre
Tal vez el cambio más importante en programación no sea que ahora una IA escribe código.
Tal vez sea que, por primera vez de forma realmente práctica, nos está obligando a tomarnos en serio algo que siempre estuvo ahí pero que muchas veces descuidábamos: la memoria de trabajo, el contexto y la claridad con la que pensamos un sistema.
Y eso, al menos para mí, ha cambiado bastante la manera de desarrollar.
Porque hoy no solo programo mejor cuando escribo buen código.
También programo mejor cuando dejo buenos rastros.
Referencias base para sostener el artículo
- OpenAI, presentación de GPT-4.5 y documentación de modelos/Codex. (OpenAI)
- Documentación oficial de Claude Code sobre skills y subagentes. (Claude)
- Documentación oficial de OpenCode sobre agentes. (OpenCode)
- Sitio oficial de Obsidian. (Obsidian)
- AGENTS.md como formato abierto para contexto de agentes. (agents.md)
- Cloudflare sobre Markdown para agentes y reducción de tokens. (The Cloudflare Blog)
- Entrada previa de Autómata Digital sobre context engineering, útil como antecedente editorial interno. (AutomatADG)
Obrian HC
Innovation Chief Officer
Investigo y pruebo todos los días las nuevas tecnologías, veo como aplicarlas en Autómata y como beneficiaría a nuestros clientes.
Explora más o contáctanos
¿Listo para aplicar estas ideas? Escríbenos y diseñamos un piloto de automatización o inteligencia con impacto medible.