OpenAI publicó el 18 de agosto de 2026 un informe de experiencia sobre la eliminación de Enzyme en la base de código de Asana con Codex. El estudio de caso indica aproximadamente dos semanas calendario, una semana y media de esfuerzo de ingeniería y 12 000 dólares en costos de modelos e infraestructura. Estas cifras son impresionantes, pero deben interpretarse como un caso de proveedor, no como una promesa aplicable a cada migración.
1. Lo que el caso Asana afirma
Según el informe publicado por OpenAI sobre Asana, el equipo eliminó Enzyme, un sistema de pruebas que se había convertido en una deuda importante, en aproximadamente dos semanas calendario. El trabajo humano directo habría representado una semana y media, mientras que el costo de los modelos y de la infraestructura sería de aproximadamente 12 000 dólares.
El artículo compara este resultado con un antiguo plan que Asana estimaba en al menos cinco años y aproximadamente 6 millones de dólares en personal. Esta comparación proviene de la propia organización y depende del método de estimación elegido. No debe transformarse en un coeficiente genérico de productividad ni en una comparación de costos completos auditada independientemente.
La información más útil es operativa: a partir de un prompt inicial de cinco frases, hasta cuatro agentes trabajaban en paralelo en copias separadas de la base de código. Un ingeniero verificaba el avance dos veces al día y cada cambio propuesto era objeto de una revisión.
2. Por qué esta migración era adecuada para los agentes
Reemplazar un sistema de pruebas es un problema amplio pero a menudo repetitivo. Las transformaciones pueden seguir patrones: modificar las importaciones, adaptar los helpers, reemplazar selectores, reescribir las afirmaciones y corregir las pruebas.
El resultado esperado es altamente verificable. Una prueba debe compilar, ejecutarse y mantener un comportamiento. Este ciclo proporciona al agente un retorno objetivo, a diferencia de una reestructuración de negocio cuya calidad depende de intenciones poco documentadas.
La migración también puede dividirse por archivos, carpetas o componentes. Lotes independientes limitan los conflictos y permiten ejecutar varios agentes en paralelo.
Estas características constituyen una guía útil: repetitividad, verificabilidad, particionamiento y baja ambigüedad empresarial. Cuanto más las reúna un proyecto, más adecuado será para una experimentación agentiva. Esta guía es una lectura metodológica de Partitech; el estudio de caso de OpenAI no detalla estas transformaciones una por una.
3. El papel decisivo del corte
Dar a un agente “eliminar toda la deuda técnica” rara vez produce un resultado aprovechable. Es necesario construir un inventario: usos de la dependencia, variantes, excepciones, cobertura de pruebas y orden de migración.
El depósito puede luego ser cortado en unidades comparables. Cada lote recibe una instrucción concisa, restricciones, una orden de prueba y una definición de terminado. Los casos atípicos se aíslan en lugar de contaminar todos los prompts.
El retorno de Asana indica que instrucciones más simples funcionaron mejor. Esta constatación es coherente con una práctica de ingeniería: mover las reglas estables a scripts, pruebas y linters, en lugar de explicar todo el proyecto en un prompt gigantesco.
4. El paralelismo controlado
Varios agentes pueden acelerar el procesamiento si sus perímetros son independientes. Copias separadas del repositorio evitan que modifiquen simultáneamente el mismo espacio de trabajo.
Sin embargo, es necesario gestionar las dependencias. Un agente puede crear un asistente común que los demás necesitarían. Un equipo debe decidir qué cambios estructurales se integran primero y qué lotes pueden permanecer autónomos.
El paralelismo también aumenta el volumen de revisión. Cuatro agentes que producen modificaciones más rápido de lo que el equipo las verifica crean una nueva cola. Por lo tanto, el número óptimo depende de la capacidad de CI y del control humano, no solo de las licencias disponibles.
5. Por qué las pruebas siguen siendo el verdadero acelerador
La página de OpenAI no documenta ni los comandos de prueba, ni la CI, ni la cobertura funcional de la migración. Por lo tanto, las prácticas descritas en esta sección constituyen nuestro método de aseguramiento de un proyecto de agentes, y no un resultado medido en el caso de Asana.
Un agente puede modificar mucho código; las pruebas permiten saber rápidamente si el cambio es aceptable. Sin una suite confiable, el equipo debe leer cada línea y reconstruir el comportamiento esperado, lo que anula gran parte de la ganancia.
Antes de la migración, estabilice los comandos de prueba, reduzca los casos no deterministas y agregue controles específicos. Una prueba que falla una vez de cada diez perturba tanto a un agente como a un humano.
La CI debe producir mensajes prácticos y permitir ejecuciones parciales. El agente puede corregir de manera más eficaz cuando recibe un retorno preciso sobre el archivo, la afirmación o el tipo concernido.
6. La revisión humana no ha desaparecido
El caso publicado precisa que cada propuesta era revisada y aprobada por un humano. El ingeniero controlaba el trabajo dos veces al día y orientaba a los agentes cuando la estrategia debía cambiar.
La revisión debe centrarse en el comportamiento, no solo en el estilo. Verifique las eliminaciones de cobertura, las afirmaciones debilitadas, los bypass de tipo, los snapshots aceptados demasiado fácilmente y los cambios de configuración global.
Un buen agente puede proponer una solución que haga pasar la CI eliminando la prueba problemática. Los criterios de aceptación deben prohibir explícitamente este tipo de atajo.
7. Lo que el número de costo no dice
Los 12.000 dólares anunciados cubren los modelos y la infraestructura, pero la página no proporciona un desglose que permita saber cómo se contabilizan la preparación del depósito, el desarrollo de las herramientas internas, el tiempo de revisión, la infraestructura existente, las correcciones posteriores o la capitalización del equipo.
Al contrario, la comparación con un plan de al menos cinco años y aproximadamente 6 millones de dólares en personal se basa en una estimación de Asana que quizá nunca se hubiera llevado a cabo de esta forma. Los dos números no son directamente comparables sin una metodología detallada.
Para su proyecto, calcule el costo completo: modelos, CI, almacenamiento, ingeniería, revisión, incidentes y mantenimiento de scripts. Compárelo con un escenario humano realista en el mismo ámbito y con el mismo nivel de calidad.
8. Un método reproducible para su proyecto
Comience con un análisis estático y un inventario verificable. Luego, elija un lote piloto de 20 a 50 transformaciones representativas. Escriba una instrucción corta, un comando de prueba y una lista de prohibiciones.
Haga ejecutar el lote por un agente en una sucursal aislada. Mida la tasa de aceptación sin reaplicación, el tiempo de revisión, los errores funcionales y el costo. Corrija las herramientas antes de aumentar el volumen.
Cuando el piloto esté estable, particione el resto del proyecto, limite el número de agentes a la capacidad de revisión e integre progresivamente. Mantenga un cuadro de mando: archivos procesados, pruebas añadidas, fallos, conflictos y deuda restante.
Este método completa nuestro enfoque de medición y priorización de la deuda técnica y las salvaguardas presentadas en Agentes de desarrollo en 2026.
9. Las migraciones a evitar primero
No uses como primer piloto una renovación sin pruebas, una lógica de negocio no documentada o una migración de datos irreversible. Los agentes no compensan la ausencia de definición del resultado esperado.
Evite también un proyecto donde cada archivo dependa de una arquitectura en movimiento. El conflicto entre agentes, ramas y decisiones humanas puede superar la ganancia de generación.
El caso Asana no demuestra que un agente reemplace a un equipo. Muestra, según el informe publicado por OpenAI, que un equipo bien equipado puede transformar un proyecto repetitivo en una línea de migración paralela. La competencia clave sigue siendo la ingeniería del sistema de trabajo.
Partitech acompaña las migraciones técnicas asistidas por IA: inventario, diseño de los lotes, prompts y scripts, refuerzo de las pruebas, orquestación Codex y control de calidad.