¿Puede un equipo de agentes de IA entregar software? Nuestros ensayos y sus límites

Nuestros ensayos abarcaron un primer lote de desarrollo. Esto es lo que mostraron, cómo lo evaluamos y qué faltaba comprobar antes de un uso real.

Una pantalla de reservas puede parecer terminada y aceptar a dos clientes para la misma hora. Para saber qué ha entregado realmente un equipo de agentes, hay que revisar las funciones disponibles y probarlas. Nuestras mediciones internas nos enseñaron a distinguir una ejecución de prueba completada de un programa listo para usar.

Qué hace un equipo de agentes

Los agentes se reparten tareas: comprender la petición, escribir las reglas, construir una parte del programa y comprobar el resultado. En Maestro, diriges ese trabajo a partir de un documento de requisitos. Esta organización ayuda a seguir las decisiones; no elimina los errores de la IA.

Qué probamos el 6 de agosto de 2026

La campaña histórica de nuestra metodología v2.5 abarcó nueve escenarios: gastos compartidos, horas de trabajo, reservas, inventario… Cada ejecución iba desde la necesidad hasta un primer lote desarrollado, con una fase de comprobación y reparación. No construía todas las funciones previstas para el producto.

Comparamos esos resultados con nueve entregas de BMAD-METHOD v6.10 conservadas de ensayos anteriores sobre los mismos escenarios. Tres jueces de IA evaluaban cada entrega anonimizada con rúbricas comunes. Una sola ejecución seleccionada por metodología y escenario no basta para medir la regularidad de los resultados.

Los resultados de aquella campaña

Nuestra metodología obtuvo una nota superior en ocho de los nueve escenarios. BMAD mantuvo la ventaja en la reserva de salas. Las notas también puntuaban elementos de diseño: no representan un porcentaje de funciones operativas ni una nota de fiabilidad del programa actual.

Las nueve ejecuciones seleccionadas de nuestra metodología llegaron al final de la prueba, con un consumo de IA de 115,65 $. Las entregas de BMAD sumaron 238,66 $, con tres ejecuciones interrumpidas por su límite de gasto. Estas cantidades excluyen, entre otros costes, el trabajo humano y los ensayos invalidados; no son presupuestos para crear una aplicación.

Lo que las notas habían pasado por alto

En una campaña posterior, una aplicación de control horario bien puntuada no compilaba cuando un juez intentó iniciarla. Ese hallazgo reforzó nuestra exigencia de ejecutar los programas. También impide presentar las notas antiguas como prueba de que se había comprobado cada función. El relato de las campañas explica este límite.

Qué puedes sacar de estos ensayos

Pide una demostración con tus propios casos: reservar una hora, intentar un duplicado, corregir un dato y recuperarlo después de cerrar la aplicación. Encarga a alguien revisar lo que no sepas comprobar. Un equipo de agentes puede ayudar a construir; su resultado aún debe demostrar que funciona en tu actividad. Nuestro artículo sobre los costes medidos también aclara qué incluyen los gastos publicados.