Hay una frase que debería llamar especialmente la atención de cualquier desarrollador:
La IA ya está cambiando la manera en que se desarrolla Linux.
No estamos hablando de generar una aplicación CRUD, escribir una función en JavaScript o pedirle a un chatbot que encuentre un error en nuestro código.
Estamos hablando del kernel de Linux.
El proyecto donde el código se revisa con enorme cuidado, donde los mantenedores conocen profundamente sus subsistemas y donde un cambio aparentemente pequeño puede tener consecuencias en millones de máquinas.
Y esta semana, mientras Linux 7.2 se acerca a su lanzamiento, Linus Torvalds describió una situación que hace apenas unos años habría parecido difícil de imaginar:
las herramientas de IA están contribuyendo a encontrar problemas a una velocidad que está cambiando el volumen de trabajo del kernel.
Torvalds considera que este tipo de grandes oleadas de correcciones se están convirtiendo en la “nueva normalidad”.
Y aquí empieza la verdadera historia.
Linux 7.2 está llegando
El contexto es importante.
El kernel Linux 7.2 se encuentra actualmente en la etapa final de desarrollo. El 9 de agosto se publicó Linux 7.2-rc7, mientras que el sitio oficial del kernel mantiene actualmente 7.2-rc7 como la versión mainline en desarrollo.
Un release candidate no es todavía la versión definitiva.
Es una versión candidata que permite encontrar los últimos problemas antes de publicar el lanzamiento estable.
Y precisamente en esta etapa ocurrió algo llamativo.
El volumen de correcciones fue considerablemente alto.
Pero la explicación no es simplemente que Linux 7.2 haya introducido una cantidad extraordinaria de funcionalidades.
Una parte importante de la historia está relacionada con algo diferente:
las herramientas de IA están ayudando a encontrar problemas que antes podían pasar desapercibidos.
La IA no está reemplazando a los mantenedores
Aquí conviene detenernos.
Cuando escuchamos:
“La IA está participando en el desarrollo del kernel Linux”
es muy fácil imaginar un escenario equivocado.
No significa que Linus Torvalds haya entregado el repositorio a Claude, Codex o Gemini y les haya dicho:
“Escriban Linux.”
No.
La realidad es mucho más interesante.
La IA está entrando principalmente como una herramienta dentro del proceso de ingeniería.
Puede ayudar a:
- encontrar posibles bugs;
- analizar código;
- identificar inconsistencias;
- revisar cambios;
- encontrar referencias obsoletas;
- sugerir correcciones;
- detectar problemas que merecen investigación;
- acelerar determinadas tareas de mantenimiento.
Pero después aparece la parte que ninguna herramienta puede eliminar:
un humano tiene que decidir si el problema realmente existe y si la solución propuesta es correcta.
La documentación oficial del kernel es explícita al respecto: los agentes de IA no pueden añadir un Signed-off-by; el desarrollador humano debe revisar el código generado, garantizar el cumplimiento de las reglas de licencia y asumir la responsabilidad de la contribución.
Y aquí aparece el verdadero problema
La IA tiene una característica extraordinaria:
puede analizar cantidades enormes de código.
Pero también tiene otra:
puede generar cantidades enormes de resultados.
Y eso cambia completamente la ecuación.
Imaginemos un equipo con diez desarrolladores.
Antes:
10 desarrolladores
↓
analizan código
↓
encuentran problemas
↓
generan patches
↓
revisión
Ahora añadimos agentes de IA:
10 desarrolladores
+
agentes de IA
↓
muchísimo más análisis
↓
muchos más problemas detectados
↓
muchos más patches
↓
MÁS revisión humana
La IA puede acelerar el descubrimiento.
Pero alguien tiene que procesar todo aquello que descubre.
Y ese alguien sigue siendo, en gran medida, el mantenedor humano.
El cuello de botella cambia de lugar
Esta es probablemente la parte más interesante de todo el fenómeno.
Durante décadas, uno de los grandes problemas de la ingeniería de software fue:
¿Cómo escribimos código más rápido?
Después llegó la automatización.
Luego los IDE.
Después GitHub Copilot.
Y ahora los agentes de programación.
La velocidad de generación de código está aumentando rápidamente.
Pero entonces aparece una nueva pregunta:
¿Quién va a revisar todo ese código?
Una investigación reciente sobre revisión de código generado por agentes plantea precisamente este problema: los agentes pueden producir código a un volumen que supera la capacidad de la revisión tradicional.
Esto puede producir una paradoja:
la IA puede hacer que programar sea más rápido y que revisar software sea más lento.
Linux ya está creando reglas para convivir con la IA
Y esto es quizá todavía más importante que la declaración de Torvalds.
El kernel no está intentando fingir que la IA no existe.
Está adaptando su proceso.
La documentación oficial del proyecto contiene una sección específica llamada “AI Coding Assistants”.
Ahí se establece cómo debe utilizarse la asistencia de IA en contribuciones al kernel.
Entre las reglas encontramos una especialmente importante:
El humano sigue siendo responsable.
Si utilizaste IA para producir código, tienes que revisarlo.
Además, el desarrollador debe hacerse responsable de:
- la calidad;
- la licencia;
- el contenido;
- la integración;
- y el resultado final.
La IA puede participar.
Pero no puede asumir la responsabilidad legal y técnica de la contribución.
Aparece Assisted-by
Linux incluso está introduciendo una forma específica de reconocer la participación de herramientas de IA.
Las contribuciones pueden incluir:
Assisted-by: AGENT_NAME:MODEL_VERSION
Por ejemplo, la documentación proporciona el formato:
Assisted-by: Claude:claude-3-opus coccinelle sparse
El objetivo es dejar constancia de qué herramienta o modelo participó en la creación del patch.
Pero hay una distinción fundamental.
Assisted-by no reemplaza a:
Signed-off-by
El segundo continúa representando la responsabilidad humana sobre la contribución.
Es una diferencia pequeña en apariencia.
En realidad es enorme.
Porque significa que el proyecto está aceptando una nueva realidad:
La máquina puede ayudar a producir el código, pero el humano sigue respondiendo por él.
La IA también está encontrando bugs reales
Y aquí la historia se vuelve todavía más interesante.
No solamente estamos hablando de generar código.
La IA también está empezando a utilizarse para encontrar problemas dentro del propio kernel.
Un ejemplo reciente es ReCite, una investigación que utiliza modelos de lenguaje para detectar referencias obsoletas dentro de comentarios del kernel.
El sistema analizó Linux 6.18-rc1 y encontró 869 referencias potencialmente obsoletas.
De una evaluación manual de 200 casos, 178 proporcionaron orientación útil y 85 fueron consideradas directamente aplicables. Además, de 75 patches enviados, 50 fueron aceptados.
Esto es muy diferente de:
“Le pedí a ChatGPT que escribiera un driver.”
Aquí estamos hablando de utilizar IA para comprender un código enorme y cambiante, encontrar inconsistencias y ayudar a los mantenedores.
Pero también existe el lado oscuro
Porque si una IA puede encontrar cientos de posibles problemas…
también puede generar cientos de falsos positivos.
Y esto ya está afectando al proceso de mantenimiento.
La propia documentación de seguridad del kernel advierte que una fracción significativa de los reportes de bugs enviados al equipo de seguridad proviene de revisiones asistidas por IA.
El problema es que algunos reportes tienen poca calidad o demasiada información irrelevante, generando una carga adicional para los mantenedores.
Esto es importantísimo.
Porque demuestra que:
más IA no significa automáticamente más productividad.
Si una herramienta genera 1,000 alertas y solamente 50 son realmente importantes, alguien tiene que revisar las otras 950.
La métrica correcta no es:
¿Cuántos problemas encontró la IA?
La métrica correcta es:
¿Cuántos problemas reales ayudó a resolver?
Y Torvalds no está diciendo “confiemos en la IA”
Esta distinción es fundamental.
La posición de Torvalds no parece ser:
“La IA es maravillosa. Dejemos que escriba el kernel.”
Su posición es mucho más pragmática.
La IA es una herramienta.
Si resulta útil, se utiliza.
Si produce basura, se rechaza.
Y si alguien presenta código generado por IA que no entiende o no puede mantener, el problema continúa siendo del desarrollador que lo presentó.
Torvalds incluso rechazó públicamente la idea de convertir al kernel Linux en un proyecto anti-IA.
Ese detalle importa.
Porque Linux no está intentando detener la tecnología.
Está intentando incorporarla sin abandonar sus estándares.
El gran experimento del software open source
Y aquí es donde Linux se convierte en un caso de estudio extraordinario.
Linux tiene una característica que muchos proyectos comerciales no tienen:
una comunidad gigantesca de desarrolladores y mantenedores distribuidos por todo el mundo.
Eso significa que la IA puede introducir una asimetría nueva.
Una sola persona puede utilizar agentes para analizar enormes cantidades de código y producir múltiples propuestas.
Pero la revisión de esas propuestas todavía depende de personas con conocimiento especializado.
Es decir:
IA
↓
aumenta la capacidad de producir
↓
aumenta la cantidad de propuestas
↓
aumenta la carga de revisión
↓
los expertos se convierten
en el recurso escaso
Y ese último punto puede ser uno de los problemas más importantes de la próxima década.
El recurso escaso no será el código.
Será el conocimiento para determinar qué código merece existir.
El nuevo trabajo del programador
Esto también cambia el perfil del desarrollador.
Durante mucho tiempo valoramos especialmente la capacidad de:
- escribir código rápidamente;
- conocer sintaxis;
- memorizar APIs;
- implementar algoritmos;
- solucionar errores.
Todo eso sigue siendo útil.
Pero cuando una IA puede producir código en segundos, otras capacidades comienzan a ganar valor:
Entender sistemas
Saber cómo interactúan los componentes.
Detectar errores conceptuales
No solamente errores de sintaxis.
Revisar código
Comprender qué hace realmente una modificación.
Conocer el dominio
Un agente puede generar C.
Pero entender profundamente memoria, concurrencia, drivers, scheduler o networking es otra historia.
Tomar decisiones
La máquina puede ofrecer alternativas.
El ingeniero debe decidir cuál tiene sentido.
Y aquí Linux tiene una ventaja enorme
El kernel Linux tiene décadas de conocimiento acumulado.
No es solamente millones de líneas de código.
Es también:
- historial;
- documentación;
- discusiones;
- decisiones arquitectónicas;
- mantenedores especializados;
- herramientas de análisis;
- procesos de revisión;
- pruebas;
- conocimiento distribuido.
La IA puede leer una cantidad enorme de ese material.
Pero leer no equivale a comprender el contexto histórico y técnico que llevó a una decisión.
Ese será uno de los grandes desafíos de los agentes de programación.
¿Estamos viendo el futuro del desarrollo?
Probablemente sí.
Pero no exactamente como muchos imaginaban.
El futuro no parece ser:
Humano → IA → código perfecto
Se parece mucho más a:
Humano
↓
Agente
↓
Análisis
↓
Código
↓
Tests
↓
Revisión automática
↓
Revisión humana
↓
Integración
Y Linux podría estar funcionando como uno de los laboratorios más importantes para descubrir cómo debe funcionar ese proceso.
Porque si este modelo funciona en el kernel…
la presión para utilizarlo en proyectos menos complejos será enorme.
La pregunta incómoda
Y aquí llegamos a una pregunta que probablemente veremos cada vez más:
Si la IA puede generar código mucho más rápido de lo que los humanos pueden revisarlo, ¿qué hacemos con todo ese código?
No es una pregunta exclusiva de Linux.
Es una pregunta para:
- .NET;
- Java;
- Python;
- JavaScript;
- Rust;
- bases de datos;
- cloud;
- aplicaciones empresariales;
- open source;
- y prácticamente cualquier equipo de desarrollo.
La IA está solucionando parcialmente el problema de producir software.
Ahora nos está obligando a resolver otro:
cómo controlar la avalancha de software producido.
La verdadera revolución no es escribir código
Quizá esta sea la conclusión más importante.
Durante los últimos años hemos hablado muchísimo de IA generativa.
Después llegaron los copilots.
Después los coding agents.
Ahora hablamos de agentes autónomos.
Pero Linux nos está mostrando algo más profundo:
la revolución no consiste solamente en que una máquina pueda escribir código.
Consiste en que una máquina pueda:
leer → analizar → encontrar → proponer → corregir → probar → revisar.
Y cuanto más capaces sean esas herramientas, más importante será el papel de quien pueda juzgar sus resultados.
Por eso la frase de Torvalds sobre la “nueva normalidad” merece atención.
No porque Linux vaya a ser programado por una IA.
Sino porque uno de los proyectos de software más importantes del planeta ya está experimentando con una realidad que pronto llegará a prácticamente todos nuestros repositorios:
La cantidad de código y problemas que las máquinas pueden producir o descubrir puede superar la capacidad humana de revisarlos.
Y cuando eso ocurra, el desarrollador más valioso no será necesariamente el que escriba más código.
Será el que sepa qué código aceptar, qué código rechazar y por qué.
Fuentes y lecturas recomendadas
Fuentes oficiales
- Linux Kernel Archives — versiones y releases oficiales del kernel. kernel.org
- Linux Kernel Documentation — AI Coding Assistants — reglas oficiales para utilizar IA al contribuir al kernel. AI Coding Assistants — Linux Kernel Documentation
- Submitting patches — Linux Kernel Documentation — proceso oficial para enviar patches y utilizar
Assisted-by. Submitting patches — Linux Kernel Documentation - Linux Kernel Security — Responsible use of AI to find bugs — recomendaciones del equipo de seguridad. Linux Kernel Security Bugs
Noticias y contexto
- The Register — cobertura de las declaraciones de Torvalds sobre Linux 7.2 y la IA. The Register — Linus Torvalds and the new normal
- Phoronix — seguimiento especializado de Linux 7.2-rc5/rc6/rc7. Phoronix — Linux Kernel News
- Ars Technica — contexto sobre la postura de Torvalds frente al uso de IA en Linux. Ars Technica — Torvalds and AI coding in Linux
Investigación
- ReCite — detección y reparación de referencias obsoletas en comentarios del kernel mediante LLM. ReCite — arXiv
- ARCTIC — revisión de código generado por agentes y detección de desviaciones respecto a la intención del desarrollador. ARCTIC — arXiv
- Code Review in an AI World — investigación sobre cómo está cambiando la revisión de código con agentes. 3100 Opinions on Code Review in an AI World — arXiv