ingenieros de software en La división de conducción autónoma de General Motors (GM) dedican solo el 15% de su tiempo a escribir código, según Rashed Haq, vicepresidente de vehículos autónomos de GM, en una entrevista reciente en el escenario del Transformación VB 2026.
GM ahora está utilizando agentes de inteligencia artificial para acelerar gran parte del otro 85%, lo que incluye analizar datos de vehículos, clasificar problemas, realizar experimentos y probar posibles soluciones.
El resultado, dijo Haq, es aproximadamente tres veces más solicitudes de extracción fusionadas en toda la organización de ingeniería de vehículos autónomos de GM, lanzamientos más rápidos y menos defectos que se escapan a etapas posteriores de desarrollo.
Haq dijo que GM logró esos avances rediseñando flujos de trabajo de ingeniería completos en torno a los agentes, no simplemente agregando un asistente de codificación de IA.
«Si le das a alguien solo un chatbot que puede codificar, todavía hay mucha ineficiencia en ese proceso», dijo Haq durante una charla junto al fuego en el escenario principal del lujoso Hotel Nia en Menlo Park, California.
Los ingenieros pasaban la mayor parte de su tiempo fuera del editor de código antes de la IA agente.
La cifra del 15% de GM puede parecer sorprendentemente baja, pero las investigaciones realizadas antes del auge de la IA generativa y agente llegaron a una conclusión similar.
A Estudio de Microsoft 2019 Según las respuestas de 5.971 desarrolladores profesionales, se descubrió que dedicaban un promedio de 96 minutos a escribir código en los días laborales buenos y 66 minutos en los malos. Eso equivale aproximadamente al 20% y al 14% de una jornada de ocho horas, respectivamente. A Encuesta de rayas 2018 descubrió que el desarrollador promedio dedicaba más de 17 horas a la semana a trabajos de mantenimiento como depuración y refactorización.
No existe un punto de referencia único en la industria: los investigadores de Microsoft señalaron que estudios anteriores ubicaban la codificación entre el 9% y el 61% del tiempo del desarrollador, dependiendo de cómo los investigadores definieron y midieron el trabajo. Pero los hallazgos refuerzan el argumento central de Haq. Mucho antes de que llegaran los agentes, escribir código representaba sólo una parte de la ingeniería de software. Acelerar ese paso por sí solo deja intacto gran parte del proceso de desarrollo.
«Hacerlo por bucle se volvió realmente importante», dijo Haq.
GM dividió su trabajo con vehículos autónomos en varios ciclos: desarrollar y probar software en simulación, probar vehículos en vías públicas y monitorear los vehículos después de que llegan a los clientes. Luego buscó el cuello de botella más largo en cada bucle, lo automatizó y repitió el proceso.
GM dio a los agentes acceso a herramientas y datos internos
GM conectó agentes a herramientas internas y petabytes de datos de la empresa a través de servidores personalizados de Model Context Protocol (MCP). También creó “habilidades” o documentos de instrucción controlados por versiones que indican a los agentes cómo realizar tareas específicas.
Una aplicación de alto valor implica la telemetría recopilada de vehículos en la vía pública. Los agentes pueden analizar esos datos, realizar una clasificación inicial y crear problemas para que los ingenieros los investiguen. A través de conexiones MCP, también pueden llamar a las herramientas subyacentes utilizadas por WebViz, el sistema de GM para visualizar la telemetría de vehículos, en lugar de depender de la misma interfaz gráfica que ve una persona.
Los hallazgos aún deben tener sentido para los ingenieros. «El resultado tiene que ser legible por humanos», dijo Haq. Un agente podría identificar un problema potencial, localizar el componente afectado, buscar datos históricos de incidentes similares y proporcionar ejemplos que respalden su conclusión.
GM basa los permisos de un agente en los del ingeniero que lo utiliza.
«Si un ingeniero va a realizar esta tarea y necesita acceso a estas cosas, entonces su agente necesita acceso a esas cosas», dijo Haq. «El ingeniero sigue siendo responsable del desempeño del agente».
La empresa también utiliza agentes en segundo plano para ejecutar experimentos de aprendizaje automático en paralelo. Un ingeniero define un experimento y sus parámetros, luego los agentes ejecutan pruebas y recopilan los resultados.
Tres veces más solicitudes de extracción, con menos defectos escapados
GM trató su plataforma de agentes internos como un producto y asignó cuatro ingenieros desplegados para trabajar directamente con los equipos de ingeniería. Ayudaron a los empleados a identificar flujos de trabajo útiles, difundir prácticas exitosas y adoptar las herramientas.
Haq dijo que el aumento resultante en las solicitudes de extracción fusionadas representa más que un mayor volumen de código. «La velocidad a la que estamos lanzando nuevas funciones» aumentó, dijo, mientras que los lanzamientos produjeron «menos fugas de pruebas, fugas de errores» y otros problemas.
Las personas siguen siendo responsables en los puntos críticos de control. Haq dijo que GM estableció pruebas estructuradas y no estructuradas y mediciones de rendimiento antes de acelerar el flujo de trabajo más amplio. Los ingenieros revisan esas mediciones y determinan si cada prueba aún captura su objetivo previsto antes de que el trabajo avance hacia la producción.
Haq dijo que GM esperaba inicialmente un aumento de productividad más modesto. «Creo que nuestra única sorpresa fue lo mucho que podíamos hacer», dijo.
El enfoque de GM no comenzó entregando a cada desarrollador un generador de código. Comenzó trazando el camino completo desde el descubrimiento del problema hasta una solución verificada en cada bucle (simulación, pruebas en carretera, monitoreo posterior a la implementación) y luego brindó a los agentes acceso controlado a las herramientas y datos necesarios para acortar el cuello de botella más largo en cada etapa.
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
