AMD acelera el desarrollo de software con IA y anticipa enjambres de agentes autónomos

El impacto de la inteligencia artificial en la ingeniería de software está redefiniendo los paradigmas de desarrollo. Lo que comenzó como una herramienta para generar líneas de código ha evolucionado rápidamente, con empresas como AMD liderando la integración de la IA en fases más amplias del ciclo de vida del desarrollo de software (SDLC, por sus siglas en inglés).

En un plazo sorprendentemente corto, AMD ha superado sus propias expectativas. El año pasado, la compañía proyectaba un aumento del 25% en la productividad del desarrollo en dos o tres años. Hoy, tan solo un año después, ese objetivo no solo se ha alcanzado, sino que se ha superado, logrando un impulso del 30% en la productividad general gracias a la IA. Este avance se acompaña de una reevaluación fundamental no solo del uso de la IA dentro del SDLC, sino de la estructura del propio ciclo.

La IA como copiloto y agente actual

AMD comenzó a desarrollar sistemas de IA para la generación de código, la automatización de pruebas, el análisis de errores y la revisión de código en 2024. Su objetivo inicial era que el 25% del código de producción fuera generado por IA para 2027, al tiempo que automatizaba gradualmente mayores porciones del SDLC.

La medición de la productividad en este ámbito es compleja, pero AMD ha optado por una métrica objetiva: el porcentaje de código fuente generado por IA que supera todas las revisiones y pruebas, y que finalmente se incluye en el producto final. Según esta métrica, la compañía cruzó la marca del 20% a principios de este año y avanza hacia el 50% en toda su base de código. En algunos componentes de software, más del 80% del código se genera ya utilizando IA.

La IA _agentic_ — sistemas de IA capaces de percibir, razonar, planificar y actuar para lograr objetivos — ha permitido a AMD integrar la inteligencia artificial en cada etapa del SDLC:

• Análisis y triaje de código: Los agentes se entrenan para analizar informes de problemas, identificar y agrupar solicitudes similares, y señalar fragmentos de código que probablemente necesiten modificación.
• Depuración y generación de código: Los agentes reciben instrucciones para analizar una solicitud de error e implementar los cambios de código necesarios.
• Pruebas: Los agentes generan pruebas unitarias y, si estas se superan, identifican las pruebas de integración y de nivel de producto necesarias.
• Aprobación y lanzamiento: Los agentes preparan un resumen de la arquitectura, una revisión de los cambios de código y los resultados completos de las pruebas para su examen y aprobación por parte de los ingenieros, integrando los cambios en la siguiente versión si son aprobados.

La próxima transformación: enjambres de agentes autónomos

Hasta ahora, la principal aplicación ha consistido en enseñar a la IA cómo los humanos realizan las tareas, pidiéndole que imite los flujos de trabajo existentes. Esto, si bien es un avance tecnológico considerable que permite a los ingenieros crear múltiples "versiones de IA" de sí mismos para trabajar en paralelo, escala la experiencia humana, pero aún limita la IA a patrones de pensamiento definidos por humanos.

La verdadera revolución en la ingeniería de software, según AMD, llegará cuando los enjambres de agentes de IA colaborativos sean capaces de identificar y desarrollar soluciones de forma independiente. En lugar de proporcionar instrucciones detalladas sobre cómo resolver un problema, los ingenieros definirán la cuestión, el resultado deseado y las restricciones de calidad, rendimiento y sistema, permitiendo a los agentes de IA determinar el camino óptimo hacia una solución. Un enjambre de agentes de IA trabajará en paralelo para generar, evaluar y refinar múltiples enfoques de solución, validando automáticamente la corrección, midiendo el rendimiento, probando las compensaciones y comparando implementaciones alternativas según criterios de éxito definidos. Finalmente, los agentes de IA prepararán opciones de solución clasificadas, junto con los resultados de validación y las métricas de rendimiento, para la revisión y aprobación del ingeniero. Estos agentes no solo mejorarán cada paso del SDLC, sino que lo reescribirán.

Para llegar a este punto, es crucial cambiar la forma en que se entrenan los agentes. La mejora actual se produce un ingeniero y un agente a la vez. El siguiente paso es que los agentes aprendan continuamente unos de otros, reutilicen estrategias exitosas y mejoren de forma colaborativa en proyectos y equipos.

El bucle de aprendizaje continuo y el rol del ingeniero

AMD ya está implementando flujos de trabajo multiagente y desarrollando sistemas internos para apoyar esta próxima generación de ingeniería de software impulsada por IA. Un ejemplo notable es la resolución de problemas en su Radeon Software eXperience (RSX), un componente de interfaz de usuario. En octubre de 2025, la compañía comenzó a utilizar agentes de IA para depurar y corregir automáticamente los problemas reportados en RSX. Las herramientas de IA preconfiguradas solo resolvían el 6% de los problemas inicialmente. Sin embargo, al analizar los fallos y establecer un bucle de aprendizaje —que inicialmente fue manual—, AMD logró refinar los objetivos de los agentes, permitiéndoles explorar iterativamente múltiples enfoques y evaluar los resultados. Gracias a esto, la tasa de resolución ha aumentado a más del 75% de los problemas de RSX.

Para que los agentes y enjambres de agentes sean realmente productivos, se necesita un bucle de aprendizaje continuo que incorpore los errores y las intervenciones humanas en los futuros flujos de trabajo de los agentes. Este bucle, impulsado por objetivos claros y medibles, capturará nuevas perspectivas en cada ciclo, haciendo que todo el flujo de trabajo de ingeniería de IA sea más inteligente y efectivo. Con el tiempo, este bucle de auto-refuerzo, y no solo el modelo subyacente, se convertirá en un motor clave del progreso de la IA.

En AMD, la IA se concibe como un medio para aumentar la productividad, mejorar la calidad y permitir que los empleados se concentren en trabajos de mayor valor, sin reducir la plantilla. La inversión en educación y capacitación en IA para toda la empresa es fundamental. A medida que los agentes de IA sigan mejorando, los ingenieros dedicarán menos tiempo a implementar soluciones manualmente, centrándose más en definir especificaciones, validar resultados y tomar las decisiones estratégicas que impulsan la innovación.