Claude Code: así verifica el 90% del código que escribe

El 90% del código del equipo de Claude Code lo escribe un agente

Nueve de cada diez líneas que produce y revisa el equipo de Claude Code las firma la propia IA, según cuenta el equipo en su blog técnico. A esa escala, el problema deja de ser escribir código y pasa a ser otro: cómo demuestras que el código funciona sin leerlo tú. Para un founder que ya delegó una función completa a un agente, ese es exactamente el muro con el que choca esta semana.

La respuesta que da el equipo es una sola palabra: verificación. Y no como paso final de calidad, sino como la infraestructura que hace posible delegar.

¿Por qué la verificación es el cuello de botella de los agentes de IA?

Sin bucles de verificación solo puedes operar uno o dos Claudes a la vez, porque terminas revisando todo a mano. Con ellos, el mismo equipo corre decenas o cientos en paralelo. La matemática es simple y cruel: tu capacidad de delegar es igual a tu capacidad de comprobar.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El dato que mejor lo ilustra está en las pruebas internas del equipo. Al añadir un evaluador separado que revisa el trabajo de Claude contra una rúbrica, la tasa de éxito en generación estructurada de archivos subió hasta 10 puntos frente a un bucle de prompting estándar, con las mayores ganancias en los problemas más difíciles. No es un modelo mejor: es un juez distinto.

Hay un cambio económico detrás. Lo que antes era caro de verificar —tests, benchmarks, especificaciones, ejecuciones end-to-end reales— hoy es barato de pedir. El agente puede generar sus propios tests, y una vez generados corren como software: se ejecutan mil veces sin gastar tokens adicionales.

¿Qué tipos de test conviene pedirle a un agente?

Si solo puedes invertir en un tipo, el equipo de Claude Code elige los end-to-end. Describen flujos reales de usuario: agregar un artículo al carrito, pagar, llegar a la pantalla de confirmación.

La razón es que son difíciles de engañar. O la funcionalidad completa funciona o no funciona, y tienen un criterio de terminado inequívoco. Los tests unitarios son más rápidos y menos inestables, pero pueden pasar todos mientras la función está rota, porque ni el agente ni el test entienden la tarea completa. Para E2E, la recomendación es darle manos y ojos al agente sobre el sistema real: una skill que arranque, maneje e inspeccione la app con CDP, simuladores o arneses de API.

Los property tests atacan lo que nadie pensó. Escribes una afirmación que crees que no puede fallar y dejas que una librería —fast-check para JS/TS, Hypothesis para Python, proptest para Rust— genere miles de entradas intentando demostrar lo contrario. Su valor real aparece en las reescrituras, cuando la especificación ya se alejó del comportamiento en producción y dejó de ser una fuente confiable de verificación.

Los differential tests son la herramienta para migraciones grandes. Corres el sistema viejo y el nuevo con las mismas entradas y comparas resultados. La clave está en usar entradas generadas al azar o una muestra de tráfico de producción, normalizar lo irrelevante (espacios en blanco, por ejemplo) y mantener una lista de cambios aprobados donde la diferencia es esperada.

¿Cómo se evita que los tests se conviertan en un teatro?

Tres modos de falla arruinan cualquier capa de verificación. Tests inestables: entrenan al agente a reintentar en vez de arreglar el código. Tests lentos: el agente corre menos y localizar el problema se vuelve arqueología. Tests pesados: mejor ejecutarlos antes de commitear.

El equipo es explícito con los tests inestables: Claude no puede saltarlos, ni meter esperas, ni reintentar hasta que pasen. Si no encuentra la causa raíz, borra el test y deja escrito por qué.

La regla que casi nadie implementa: el juez no edita su propio examen

Si un cambio puede modificar el chequeo que lo juzga, el chequeo está roto. Por eso el archivo REVIEW.md se lee siempre de la rama base, nunca de los cambios del pull request. Las reglas que condicionan un cambio viven en una rama que ese cambio no puede tocar.

Dos reglas más del equipo, ambas copiables mañana:

  • La revisión se reserva para commits. Una revisión aprobada sobre un commit desactualizado no significa nada.
  • Chequeos baratos primero. Claude corre tests, build y linter antes de abrir el pull request. Si un agente empuja sin probar localmente, te gastó tiempo compartido de CI.

¿Cómo se audita qué verificó cada cambio?

En los repos del equipo, cada commit lleva un sello con el nivel de verificación que tuvo. El sello incluye el valor «none», para poder consultar qué commits no fueron verificados.

Encima de eso montaron una compuerta de commit con tres modos: off, observe y enforce. En observe se registra lo que se habría bloqueado, para revisar falsos positivos sin afectar a nadie. En enforce se bloquea. Y hay una válvula de escape sensata: si ya se bloquearon dos commits en la sesión, el tercero pasa, para que el agente no quede atascado.

El resto del proceso tiene la misma lógica de economía. Si un chequeo sigue fallando tras tres rondas, Claude se detiene y llama a un humano. El equipo mantiene una lista de confiabilidad de 39 ítems, cada uno con un disparador legible desde el diff y los incidentes que lo originaron; Claude lee el diff y aplica solo los que coinciden, normalmente entre 3 y 10. Y no escalan apilando revisores: prefieren ajustar el revisor primario antes que añadir uno más caro encima.

¿Qué dice la evidencia de uso real sobre la verificación?

XDA Developers reporta un análisis de Anthropic sobre cerca de 400 000 sesiones reales de Claude Code. El hallazgo relevante para este tema: los usuarios novatos verificaban con frases genéricas del tipo «revisa otra vez» o «¿estás seguro?», mientras los avanzados preguntaban por un mecanismo concreto o un estado específico, y los expertos diseñaban tests anticipando cómo podría fallar la implementación.

La diferencia se mide en resultados. En sesiones con evidencia verificada de fallo, solo cerca del 4% de las sesiones de novatos llegó a un éxito verificado; en expertos, alrededor del 15%. El abandono también se dispara: aproximadamente el 19% de las sesiones problemáticas de novatos se abandonaron, frente al 5-7% del resto. Verificar mejor no evita el error, cambia lo que haces después.

¿Qué está haciendo el resto de la industria?

La verificación se volvió el campo de batalla. Atlassian presentó en septiembre de 2026 funciones en Jira para correr agentes de forma continua, con registro de auditoría por ejecución y métricas de impacto en calidad y costo, según SiliconANGLE. El Coding Agent Index v2.1 de Artificial Analysis, que evalúa modelos junto a su arnés y suma unas 290 tareas, ahora puntúa FrontierCode según si los mantenedores del repositorio mergearían el código: el criterio de aprobación humana como métrica, reporta CryptoBriefing. Y Cognition lanzó SWE-2 Flash el 4 de noviembre de 2026 a un quinto del precio de su modelo mayor, lo que abarata correr agentes en paralelo, según Unite.AI.

¿Qué significa esto para tu startup?

  1. Crea una skill de verificación hoy. Un script que arranque tu app, ejecute el flujo crítico y devuelva un resultado binario. Ponlo en .claude/skills/verify dentro del repo, cerca del código que valida. El equipo de Claude Code lo trata como su arnés de humo y le pide al agente que lo haga rápido y confiable.
  2. Cambia «revisa tu trabajo» por una prueba concreta. En lugar de pedir confirmación, pide el test que reproduce el bug y que lo pase. En lugar de «¿funciona?», pide el estado resultante de la configuración.
  3. Protege tus reglas. Si tu agente puede editar el archivo de reglas o el test que lo evalúa, no tienes control de calidad. Muévelos a una rama protegida.
  4. Empieza en modo observación. Antes de bloquear commits, registra cuáles habrías bloqueado durante dos semanas. Ajusta falsos positivos y luego activa el bloqueo.
  5. Poda tu capa de verificación. Tests, reglas y archivos .md solo crecen. Si no los limpias periódicamente, el costo de correrlos supera el valor de lo que detectan.

Conclusión

La ventaja competitiva ya no está en tener el mejor agente, sino en tener el mejor juez. Un agente sin verificación te obliga a ser el revisor de todo; con verificación, tu trabajo se desplaza de leer cada diff a definir qué significa «terminado» y revisar la evidencia. Ese cambio es el que permite correr muchos agentes a la vez, y es la diferencia entre automatizar una tarea y automatizar un equipo.

Fuentes

¿te gustó o sirvió lo que leíste?, Por favor, comparte.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Daily Shot: Tu ventaja táctica

Lo que pasó en las últimas 24 horas, resumido para que tú no tengas que filtrarlo.

Suscríbete para recibir cada mañana la curaduría definitiva del ecosistema startup e inversionista. Sin ruido ni rodeos, solo la información estratégica que necesitas para avanzar:

  • Venture Capital & Inversiones: Rondas, fondos y movimientos de capital.
  • IA & Tecnología: Tendencias, Web3 y herramientas de automatización.
  • Modelos de Negocio: Actualidad en SaaS, Fintech y Cripto.
  • Propósito: Erradicar el estancamiento informativo dándote claridad desde tu primer café.

📡 El Daily Shot Startupero

Noticias del ecosistema startup en 2 minutos. Gratis, todos los días.

Share to...