El fix forward no deshace un pago: el límite de la velocidad con IA cuando el bug vive en los datos

El ensayo ganador de The Pragmatic Engineer muestra a un ingeniero que fusiona 11 veces más PR con revisión hecha por un agente. Pero los incidentes graves que relata ocurrieron todos en los datos. Ahí la reversibilidad no sale de la velocidad: hay que diseñarla en el pipeline.

The Pragmatic Engineer publicó el ensayo ganador de su concurso, escrito por Neil Kakkar. Es un ingeniero afincado en Londres que pasó por Bloomberg y PostHog y que hoy trabaja en Tano, una startup nativa en IA. Según los datos que él mismo recopiló, Kakkar fusiona unas 11 veces más PR al mes que en PostHog. En la mayoría de los casos, la única revisión es la de un agente, y el equipo aplica el fix forward: si algo se rompe, se corrige hacia delante. Es el relato de un ingeniero, no un dato de mercado, y el propio Gergely Orosz recuerda que la media que observa en el sector se acerca más a 2x.

Lo que me llamó la atención no fue el multiplicador. Fueron los incidentes que el autor cuenta con franqueza, porque todos los graves ocurrieron en la capa de datos, que es donde trabajo desde hace dos décadas. Mi tesis es esta: el fix forward funciona para el código, pero cuando el error se materializa en datos, pagos o informes, la reversibilidad tiene que diseñarse en el pipeline, y la verdadera barrera pasa a estar hecha de reglas de dominio y comprobaciones automáticas de calidad de datos.

Los incidentes graves viven en los datos

El ensayo describe tres casos. En un informe, el agente trató las unidades monetarias menores como float multiplicado por 100, como si toda moneda tuviera cien céntimos, cuando el dinar bareiní se divide en mil fulūs. En una tabla de Postgres de unos 6 millones de filas, una migración de índice bloqueó las escrituras y la ingesta dejó de guardar publicaciones nuevas. En una migración de la arquitectura de agentes faltaron salvaguardas, y se pagó dos veces a creadores por el mismo trabajo.

El bug de moneda se corrigió en menos de una hora, en cuanto el equipo vio que las cifras de los informes no cuadraban. Eso arregla el código, pero no a quien leyó el informe erróneo en ese intervalo, ni el pago que ya había salido. Un despliegue sustituye una línea de código. No deshace una transferencia ni una decisión tomada a partir de una cifra.

Kakkar afirma que la arquitectura del producto pasó de ser una decisión casi irreversible a una reversible. En cuanto a la arquitectura, estoy de acuerdo. Sus efectos en el mundo, en cambio, como el dinero movido y los datos consumidos por otros sistemas, siguen siendo tan irreversibles como antes. Esa asimetría es lo que el «moverse rápido y romper cosas» tiende a ocultar.

La reversibilidad es diseño, no un efecto secundario

Si los datos no vuelven atrás solos, alguien tiene que construir los mecanismos que impidan que el error llegue hasta ellos: pagos idempotentes, capas en bruto que permitan reprocesar y migraciones que no bloqueen tablas. El caso de Postgres es didáctico. La documentación explica que, con la opción concurrente, el índice se construye “without taking any locks that prevent concurrent inserts, updates, or deletes on the table” (sin bloqueos que impidan inserciones, actualizaciones o borrados en la tabla). La regla existía. Simplemente no estaba en el camino de quien generaba el código.

Tano hizo lo correcto tras el incidente: el agente revisor tiene ahora la lista de las tablas más grandes y no permite migraciones bloqueantes en ellas. Sobre el bug de moneda, el autor señala que ya existía una utilidad para los cálculos monetarios y que un revisor humano habría visto que el código generado la ignoraba. Esto encaja con Bacchelli y Bird (2013), que vieron que las revisiones van “less about defects than expected” (menos de defectos de lo esperado) y aportan más bien “knowledge transfer” e “increased team awareness” (transferencia de conocimiento y mayor conciencia del equipo). Si el revisor es ahora un agente, ese conocimiento de dominio tiene que estar escrito para él antes del incidente, no después.

En GOL dirigí durante dos años una migración de ERP de Oracle a SAP que abarcaba finanzas, fiscalidad, inventario y compras, sin ninguna caída crítica. En un dominio fiscal, un asiento erróneo no se corrige con un despliegue, y por eso el trabajo duro está en planificar la marcha atrás. Esa planificación es justo lo que un agente puede acelerar, siempre que reciba las reglas.

La barrera real está después del merge

Incluso el mejor revisor lee el diff, no los datos, y parte de los errores solo aparece cuando el código se encuentra con cifras reales. El bug de moneda se detectó gracias a una comprobación de calidad informal: alguien vio que los informes no cuadraban. Convertir esa observación en una barrera automática es el paso que falta.

En WEX, en un entorno bancario sujeto a normativa financiera, automaticé comprobaciones de calidad con Great Expectations, y los incidentes críticos de datos bajaron un 30%. En BairesDev implanté observabilidad con DataDog y Monte Carlo, con detección de anomalías mediante ML para garantizar los SLA de calidad. Nada de esto ralentiza a nadie a la hora de escribir código, pero impide que un error rápido se convierta en un error caro. Una comprobación que bloquee dos pagos al mismo creador por el mismo contenido es barata de escribir y actúa antes de que salga el dinero.

El propio Kakkar se acerca a esto cuando imagina un agente que avise “when we paid one creator twice because of a bug in our migration” (cuando pagamos dos veces a un creador por un bug en nuestra migración). Eso es observabilidad de datos, y no depende de tener tokens ilimitados. Por transparencia: uso Claude en el pipeline de esta newsletter, la misma familia de herramientas con la que Tano construyó su agente revisor. No escribo, pues, como escéptico de la tecnología. Escribo sobre dónde poner el cerrojo.

La objeción de la velocidad

La objeción más fuerte es que todo esto es un freno, y las startups viven de la velocidad. Kakkar afirma que fue una decisión consciente, y para una empresa de unas diez personas que estaba reescribiendo su propia arquitectura puede ser la acertada. Gergely añade que los negocios que ya funcionan tienen buenos motivos para cambiar sus procesos con más cuidado.

La línea que propongo, sin embargo, no es el tamaño de la empresa: es la reversibilidad de la operación. Además, la ganancia de velocidad es menos segura de lo que parece. En un experimento controlado, el grupo con Copilot terminó una tarea un 55,8% más rápido (Peng et al., 2023). El METR, en cambio, midió a desarrolladores experimentados de código abierto con herramientas de principios de 2025 y comprobó que eran un 19% más lentos (Becker et al., 2025). Los contextos son demasiado distintos para generalizar ninguno de los dos resultados, lo que ya es motivo para no cambiar seguridad por una velocidad incierta. Y la misma IA que genera el código escribe en minutos la prueba de idempotencia y la regla de migración: el coste del cerrojo ha bajado junto con el coste del código.

Lo que un despliegue no deshace

El fix forward es una buena estrategia para todo lo que un despliegue puede deshacer. Los incidentes del ensayo muestran dónde se detiene: en el cálculo monetario, en la migración de tablas grandes y en los pagos. En esos puntos, la reversibilidad es una propiedad del pipeline, y la barrera real combina reglas de dominio en el revisor con comprobaciones automáticas sobre los datos.

Mi recomendación práctica es esta. Antes de permitir merges solo con revisión de un agente, escribe la lista de operaciones que un despliegue no deshace, como pagos, informes regulatorios, datos publicados y migraciones de tablas grandes. Después, convierte cada elemento en una regla del agente revisor y en una prueba de calidad en el pipeline. Todo lo demás puede ir a la velocidad que el equipo sea capaz de sostener.

Referencias