Claude Code: la cola en git contra la saturación mental

El 87% programa con IA, pero solo el 31% confía en el resultado

El 87% de los desarrolladores ya usa o planea usar herramientas de IA para programar, pero solo el 31% confía en la exactitud de lo que producen, según una encuesta informal de SD Times a 103 desarrolladores. Ese desbalance tiene un costo que casi nadie mide: la carga mental de coordinar más agentes de los que puedes revisar.

Sergey Kuhne lo describió sin adornos en una entrada de su blog, hablando de su trabajo diario con Claude Code y Codex desde la terminal. Empiezas una tarea, la IA tarda en responder, así que abres otra. La primera contesta y necesita una aclaración, un seguimiento y una tarea lateral, y cada una quiere su propia pestaña. Saltas entre hilos hasta que no recuerdas dónde empezaste ni dónde debías terminar.

Su diagnóstico es simple y aplicable a cualquier equipo: el problema no es la IA, son dos cosas tuyas. Secuenciación —en qué orden atiendes cada cosa— y contexto —qué información necesitas cargar para decidir—. Su solución fue reorganizar el trabajo como una cola de prioridad.

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 →

¿Qué es la saturación mental de trabajar con agentes de IA?

No es falta de disciplina. Cada hilo abierto consume memoria de trabajo, y cuando operas varios agentes en paralelo, cada respuesta que llega es una interrupción que compite con las demás.

Los consejos habituales —tomar pausas, pensar antes de escribir, limitar el alcance— apuntan al síntoma. Kuhne identificó dos problemas estructurales: si el orden de las tareas y el contexto de cada una dependen de tu cabeza, cualquier método falla en cuanto el volumen sube.

Hay un dato que respalda esa intuición. En la misma encuesta de SD Times, solo el 13% de los desarrolladores cree que los agentes de IA mejoraron la colaboración en su equipo. La IA acelera a la persona que la usa, pero no ordena el trabajo colectivo. Eso sigue siendo diseño humano.

La cola vive en git: el sistema que usa Kuhne

La pieza central de su método es que la cola de trabajo no vive en un chat ni en su cabeza: vive en el repositorio. Cada ticket es un archivo markdown dentro del repo, junto al código del que habla, y el estado del tablero es una instantánea que se commitea. Si una sesión se cae, la cola sigue ahí.

Sobre ese tablero trabaja un agente en ciclos. Investiga tickets nuevos, construye los que un humano marcó como seguros, corre los tests y una verificación en navegador, y valida lo que ya está desplegado. Para cualquier cosa que toque código sensible, trabaja en una rama y pregunta antes. Nunca despliega a producción: esa parte es del humano.

Vale la pena copiar ese detalle tal cual. El agente puede escribir, probar y verificar, pero la decisión de publicar queda del lado de la persona. Con el 58% de los desarrolladores reportando una opinión favorable de las herramientas de IA —por debajo del 70% de años anteriores, según SD Times—, esa separación de responsabilidades deja de ser paranoia y pasa a ser diseño sensato.

Por qué el cuello de botella ya no es escribir código

Acá está la parte que explica por qué un sistema como el de Kuhne no es una excentricidad. Un estudio de los investigadores de Harvard Fiona Chen y James Stratton, basado en datos de Jellyfish sobre 300 millones de eventos de trabajo en más de 700 empresas, encontró que los agentes de IA aumentan las líneas de código generadas un 30%, los commits un 20% y los pull requests un 23%. Pero la tasa de resolución de issues y epics no cambió de forma estadísticamente significativa, según reportó Ars Technica.

La lectura es directa: la revisión humana se convirtió en el cuello de botella. El estudio describe que el proceso de code review se alarga, los pull requests requieren más revisiones y los revisores dejan más comentarios. Generar código dejó de ser el trabajo difícil; decidir qué entra y qué no, sí.

Eso es exactamente lo que el «owner inbox» de Kuhne intenta resolver.

El «owner inbox»: tu único trabajo es decidir

En su sistema, todo lo que necesita criterio humano cae en un solo lugar. Un script lee el tablero completo y le entrega una lista priorizada de los ítems que esperan su juicio: revisar este cambio, responder esta pregunta, resolver este tradeoff.

La superficie de lectura es un artefacto de Claude: una sola página, reconstruida desde git en cada ciclo, que refleja el tablero completo más una página de revisión por ticket. No hay que scrollear un terminal para reconstruir qué hace un cambio. Abres un link, lees qué se construyó y por qué, y das tu veredicto. El veredicto vuelve a git, sobre la tarjeta. La página es solo un visor; git es el registro.

Cerrar el ticket: el paso que casi todos se saltan

El mecanismo que Kuhne destaca como el más importante es casi trivial: tomar un ítem, cargar su contexto, decidir o pedir una acción, y cerrarlo devolviéndolo a la cola.

Ese cierre es el truco completo. El ticket deja de existir en tu memoria como algo pendiente de recordar, y el contexto se cierra con él. Cuando tomas el siguiente ítem, puedes enfocarte de verdad: una cosa a la vez.

Kuhne es honesto sobre los límites. El trabajo sigue siendo agotador, pero ya no se siente desordenado ni perdido. Y los dos problemas que todavía pelea son de tooling, no de método: servir el contexto de forma digerible para que cargar un ticket tome un minuto y no veinte, y evitar que los tickets entren en loops infinitos esperando un veredicto que solo él puede dar.

¿Qué significa esto para tu startup?

Si tu equipo ya usa agentes de IA, el cuello de botella se movió de «escribir» a «revisar y decidir». Estas son las acciones que se desprenden del caso:

Saca la cola de tu cabeza y de los chats. Los tickets en archivos markdown dentro del repo, versionados en git, sobreviven a cualquier sesión caída y a cualquier cambio de herramienta. Un tablero en una app que nadie abre no sirve.
Define un único inbox de decisiones. Todo lo que requiere criterio humano —aprobar un cambio, responder una duda, resolver un tradeoff— debería caer en una sola lista priorizada. Si tienes que buscar qué te falta decidir, ya perdiste.
Cierra cada ítem antes de abrir el siguiente. Es la acción más barata y la de mayor impacto: el contexto se libera cuando el ticket vuelve a la cola.
Nunca delegues el despliegue a producción. El agente puede construir, testear y verificar; publicar es una decisión con consecuencias reales y debe quedar del lado humano.
Mide cierres, no líneas de código. El estudio de Harvard muestra que más código no equivale a más producto entregado. Si tu métrica es volumen de commits, vas a optimizar justo lo que ya no es el problema.

Cómo montarlo esta semana

No necesitas replicar todo el sistema para capturar el beneficio. Un punto de partida realista:

Crea una carpeta de tickets en tu repo y escribe cada tarea pendiente como un archivo markdown con estado, contexto y criterio de aceptación.
Commitea el estado del tablero. Que el historial de decisiones quede en git, no en un chat.
Arma una lista diaria de «solo yo puedo decidir esto» y trabájala en bloques, un ítem a la vez.
Etiqueta qué tickets son seguros para que un agente los construya y cuáles requieren rama y aprobación previa.
Revisa una vez por semana qué tickets quedaron bloqueados esperando tu veredicto. Ahí está tu verdadero cuello de botella.

Conclusión

La adopción de agentes de IA en desarrollo ya es masiva —el 87% según SD Times— y el mercado de herramientas de coding con IA pasó de US$4.300 millones en 2023 a una proyección de US$12.600 millones en 2028, según Memeburn. Pero el estudio de Harvard reportado por Ars Technica deja claro que el valor no se captura generando más código, sino resolviendo más problemas.

El sistema de Sergey Kuhne no es una herramienta más: es una forma de aceptar que el recurso escaso eres tú. La IA puede escribir, testear y verificar sin cansarse. Decidir, todavía no.