La programación con IA ha convertido CI en un cuello de botella, así que rehicimos la nuestra para ponernos al día

Artículo original ↗ Discusión en Hacker News ↗

La codificación impulsada por IA está aumentando enormemente el volumen y la velocidad de los cambios de código, y está exponiendo las canalizaciones de integración continua (CI) como un nuevo cuello de botella. Los desarrolladores están experimentando con sistemas de compilación más rápidos (como Bazel), runners autohospedados o de terceros, cachés agresivas e incluso trasladando más comprobaciones a bucles locales o de agentes para mantener tiempos de retroalimentación aceptables mientras las suites de pruebas crecen en tamaño. Muchos comentaristas también cuestionan cuánto mejora realmente la calidad del producto esta avalancha de pruebas, sugiriendo que la QA humana, las decisiones de producto y el valor para el usuario siguen siendo las verdaderas restricciones incluso cuando el rendimiento bruto de codificación y CI se acelera.

CI como el nuevo cuello de botella

  • Muchos informan que las canalizaciones de CI se están convirtiendo en el factor limitante una vez que los agentes de IA aumentan masivamente el volumen de código/PR.
  • Las compilaciones largas (10+ minutos) ralentizan tanto a humanos como a agentes; la gente apunta a ciclos de menos de 2–5 minutos, a veces por debajo de 60 segundos.
  • Algunos argumentan que el verdadero cuello de botella ahora es la QA, la validación del producto y los clientes (adopción, fatiga de actualizaciones), no solo CI.

Bazel, caché y sistemas de compilación

  • Se elogia a Bazel por compilaciones incrementales de ~10 s en grandes bases de código poliglota con una caché en caliente; los agentes hacen que las migraciones a Bazel sean mucho más rápidas que antes.
  • Otros destacan los compromisos: configuración compleja, sobrecarga de sandbox por tarea, ergonomía que requiere herramientas “normales” en paralelo y resultados mixtos para JS/TS.
  • La caché remota puede verse limitada por la red y la E/S de disco; las optimizaciones incluyen obtener solo digests, segmentación basada en contenido para artefactos grandes y construir imágenes de contenedor de forma hermética (sin Dockerfile).
  • Algunos abogan por sistemas parecidos a Bazel pero más simples (p. ej., RWX, herramientas personalizadas) y programadores unificados que traten compilación + prueba como un solo grafo.

Opciones de infraestructura de CI

  • GitHub Actions alojado se considera lento, poco fiable y caro a escala; muchos se trasladan a:
    • Runners de terceros con CPUs más rápidas/NVMe y mejor caché.
    • Runners autohospedados (on‑prem o cajas cloud baratas) con espacios de trabajo en caliente, contenedores LXD y paralelización agresiva.
  • El peering directo / enlaces de red con GitHub aún pueden ser inestables; las cachés locales mitigan pero no solucionan por completo el problema.

Codificación agéntica, pruebas y QA

  • Los agentes generan enormes cantidades de pruebas; algunas canalizaciones informan que las suites de pruebas se cuadruplican aproximadamente.
  • Varios comentaristas ven muchas pruebas unitarias escritas por IA como triviales o redundantes, “slop”; las pruebas end-to-end y de caracterización se consideran más valiosas.
  • Algunos equipos ahora revisan más las pruebas que el código, confiando en que si las pruebas relevantes pasan, las refactorizaciones grandes probablemente sean seguras.
  • Otros cuestionan si 4× más pruebas aportan 4× más valor, o solo un coste de CI mayor.

Replantear el SDLC y la arquitectura

  • Las sugerencias incluyen:
    • Trasladar la mayoría de las comprobaciones de lint/unit al bucle del agente y dejar CI para comprobaciones pesadas o irreproducibles.
    • Permitir más trabajo de CI en las máquinas de los desarrolladores con artefactos firmados, aunque se señala el riesgo para la cadena de suministro.
    • Diseñar servicios más pequeños y orientados a contratos, o monolitos modulares, para permitir que los agentes iteren más rápido dentro de contextos acotados.

¿Las ganancias de productividad de la IA mejoran los productos?

  • Algunos informan ganancias claras: grandes refactorizaciones y migraciones completadas en días en lugar de meses, mejoras de rendimiento, limpiezas de infraestructura, mejoras de accesibilidad y proyectos en solitario/indie más ambiciosos.
  • Otros ven sobre todo más código, más aplicaciones triviales, software más lleno de errores y poca mejora visible en los productos insignia o en la productividad macro, enmarcando gran parte de la codificación acelerada por IA como “más código, no más valor”.