From Code Search to AI Agents: Inside Sourcegraph’s Transformation with CTO Beyang Liu

Hemos llegado a un punto en la informática en el que estamos cediendo la corrección y la lógica a la IA, reemplazando funciones deterministas por “subrutinas estocásticas” que no podemos controlar por completo. Este cambio está en el centro de una conversación con Beyang Liu, CTO de Sourcegraph, quien explica cómo los agentes de codificación con IA están transformando el desarrollo de software, pasando de la edición línea por línea a la orquestación de alto nivel. El agente de su empresa, Cody, ahora escribe más del 90% del código que él produce, redefiniendo el papel del desarrollador como revisor y especificador, en lugar de programador práctico. Esta evolución trae enormes ganancias de productividad, pero también una extraña pérdida: muchos desarrolladores afirman que nunca habían sido tan productivos, pero programar ya no es divertido.

La discusión profundiza en la arquitectura práctica de los agentes de IA, donde el modelo es solo un componente dentro de una pila que incluye prompts, herramientas y bucles de retroalimentación. Beyang enfatiza una visión “centrada en el agente”: la unidad de composición ya no es la función ni el modelo, sino el agente, una subrutina orientada a tareas, fiable y con inteligencia y costo ajustables. Este enfoque permite que modelos especializados más pequeños se encarguen de subtareas específicas, como la búsqueda o las ediciones, creando una frontera de Pareto de compensaciones entre velocidad, inteligencia y costo para cada carga de trabajo discreta.

Más allá de las herramientas inmediatas, surge una tensión significativa en torno al ecosistema de IA de código abierto. Beyang señala que, aunque EE. UU. lidera en modelos de frontera y chips, los modelos de pesos abiertos más capaces y prácticos para cargas de trabajo agénticas son actualmente de origen chino. No se trata de una elección ideológica, sino pragmática: estos modelos simplemente funcionan mejor para el postentrenamiento y la especialización. Advierte que la política estadounidense, influida por narrativas al estilo “Terminator” sobre riesgos existenciales, está creando una carga regulatoria que sofoca la innovación nacional de código abierto y podría ceder ventajas a largo plazo.

La conversación concluye con un llamado en materia de política pública: para mantener un ecosistema de IA dinámico y competitivo, EE. UU. debería centrar la regulación en aplicaciones específicas, en lugar de en hipotéticas catástrofes a nivel de modelo, y evitar crear un mosaico regulatorio fragmentado, estado por estado, que solo los gigantes ya consolidados pueden sortear. El objetivo debería ser preservar el mercado abierto e innovador que históricamente ha definido el liderazgo tecnológico estadounidense.

Ideas sorprendentes

• Los principales modelos de pesos abiertos para tareas prácticas de IA agéntica son actualmente chinos, no por ideología, sino porque son más eficaces y adaptables para el postentrenamiento de agentes especializados.


• La “unidad atómica” del software está pasando de la función determinista a la “subrutina estocástica” (el agente), que intercambia lógica y corrección perfectas por una resolución de problemas suficientemente fiable y ajustable.


• Hay una reacción creciente contra el uso de evals (evaluaciones) como objetivos de optimización; es mejor usarlas como pruebas de humo, porque cualquier métrica puede manipularse y a menudo va por detrás de la experiencia real del producto.


• El mayor cuello de botella en el desarrollo asistido por IA es ahora la comprensión humana: la capacidad de revisar, entender y orientar el gran volumen de resultados producidos por los agentes, no la generación de código en sí.

Conclusiones prácticas

• Adopta una mentalidad “centrada en el agente”, no en el modelo. Al crear con IA, concéntrate en diseñar el comportamiento del agente —sus herramientas, prompts y bucles de retroalimentación— y trata al LLM como solo un componente que puedes sustituir.


• Especializa los modelos según la tarea. No uses un modelo de frontera enorme y costoso para todo. Divide los flujos de trabajo en subtareas (por ejemplo, recuperación de contexto, edición, depuración) y utiliza modelos más pequeños, más rápidos y postentrenados cuando sea posible para optimizar costo y latencia.


• Diseña para dos modalidades de trabajo distintas. Da soporte tanto a un modo de “gran prompt y desaparece” para tareas bien especificadas como a un modo rápido e interactivo para programación exploratoria y creativa, donde el humano necesita guiar el proceso.


• Para los responsables de políticas públicas: regulen las aplicaciones, no las abstracciones. Elaboren reglas nacionales claras que apunten a usos específicos de alto riesgo de la IA, en lugar de imponer restricciones generales al desarrollo de modelos basadas en riesgos existenciales especulativos, para evitar sofocar la innovación de código abierto.