Shevchenko propone combinar IA y revisión humana para frenar la deuda cognitiva en PRs

Artie Shevchenko, en su charla Code Health Guardian en la conferencia Craft, defendió que los equipos pueden ganar velocidad al omitir revisiones de pares en pull‑requests de bajo riesgo y delegar la aprobación a IA, siempre que la mayoría de los desarrolladores sean propietarios del código y los equipos sean pequeños. La propuesta parte de la idea de que la IA, aunque no entiende, puede generar explicaciones contextuales y sugerir mejoras, pero sin un humano en el bucle el riesgo de crear un "bucle de conocimiento" roto aumenta.

Shevchenko describió la deuda cognitiva como la erosión del entendimiento compartido del sistema dentro del equipo. La llegada masiva de cambios generados por IA multiplica el volumen de revisiones y, según él, acelera la acumulación de esa deuda. Propuso varios enfoques para mitigar el cuello de botella:

• Revisión rigurosa: seguir el proceso tradicional, cada línea bajo lupa. Es lo más costoso, sobre todo con IA.
• Revisión ligera: pasar rápido, lo que deja la deuda cognitiva crecer rápidamente.
• Codificar primero, IA después: crear un spike del cambio, alimentar a la IA con esa especificación y dejar que proponga mejoras. El desarrollador elige qué aceptar y revisa cada propuesta individualmente, manteniendo un entendimiento profundo del código.
• Política de propietarios con IA: los dueños del código pueden saltarse la revisión de pares y confiar en la IA para validar sus propios PRs. Funciona solo en equipos pequeños donde la mayoría son propietarios; de lo contrario, los dueños terminan revisando la avalancha de cambios generados por IA de los no‑propietarios.

En la entrevista posterior, Shevchenko subrayó tres retos clave de la revisión de código generado por IA: el volumen de cambios, la apariencia de corrección que puede ser engañosa, y la tendencia de la IA a añadir código en vez de simplificarlo. El primero es el más crítico; una corriente constante de PRs agota la capacidad de los revisores y acelera la fatiga.

El mensaje central es que no hay una solución mágica, pero combinar IA para filtrar cambios triviales con revisiones humanas enfocadas en los cambios complejos puede reducir la carga y preservar la comprensión del sistema. La clave está en equipos pequeños, alta distribución de propiedad del código y una política clara que balancee autonomía y responsabilidad.