En el desarrollo de software hay un ciclo que se repite todos los días: alguien abre una issue, otra persona la lee, revisa el contexto, entiende el código, piensa una solución, crea una rama, implementa, añade tests, pasa revisión, comprueba seguridad y abre una merge request.
Para tareas complejas, este recorrido tiene sentido. Pero para muchas tareas rutinarias como crear un endpoint de paginación, una mejora CRUD o un cambio de configuración el proceso consume horas que podrían dedicarse a problemas más difíciles.
Desde Serquo, con esa idea construimos Forge: un agente autónomo dentro de GitLab que parte de una issue y entrega una merge request lista para revisión.
No nació como un chatbot para responder preguntas sobre el proyecto. Tampoco como un asistente para sugerir fragmentos de código. Forge nació con una ambición distinta: convertir una issue de GitLab en una merge request lista para revisión.
Figura 1. Comparativa entre el flujo manual tradicional y el flujo acelerado con Forge.
Con este sistema de agentes reducimos la carga manual a tres acciones: crear la tarea, asignar al agente de Forge, y validar el código producido por el agente. Por debajo, un agente se encarga de leer el contexto, evaluar los requisitos y crear un plan de implementación, y otro agente se encarga de revisar el plan, crear una rama, escribir el código, validar los resultados mediante testing, revisar CI/SAST y añadir un reporte final en la tarea.
Este ejemplo nos ayuda a entender una diferencia importante: no todo lo que usa IA es un agente, y no todo agente es un sistema agéntico. La diferencia no está en si la IA “habla bien”, sino en cuánto contexto entiende, qué herramientas puede usar y hasta dónde puede avanzar un proceso con control humano.
Entender bien la diferencia importa porque condiciona una decisión clave: ¿solución estándar o solución a medida?
Si la IA solo tiene que responder preguntas frecuentes, resumir textos o ayudar a redactar, una solución estándar puede ser suficiente. Pero si debe operar dentro de sistemas internos, consultar datos privados, respetar permisos, aplicar reglas de negocio, ejecutar acciones, dejar trazabilidad o pasar controles de seguridad, la decisión cambia.
Ahí ya no basta con “poner un chatbot”. Hace falta diseñar una arquitectura: datos, herramientas, modelos, memoria, permisos, seguridad, evaluación y observabilidad.
Forge nació precisamente desde esa lógica. Necesitaba integrarse con GitLab, entender el contexto del repositorio, apoyarse en RAG para respetar patrones existentes, ejecutar tests en contenedores aislados, verificar webhooks con HMAC, protegerse frente a SSRF y revisar CI/SAST.
La regla práctica es sencilla: cuanto más cerca esté la IA de la operación real, más importante será diseñarla a medida.
La principal lección construyendo Forge es que un agente no empieza por el modelo. Empieza por el proceso. Primero hay que entender qué tarea queremos realizar o mejorar, qué contexto necesita la IA, qué herramientas puede usar, qué límites debe respetar y cómo validamos que el resultado es correcto, seguro y útil.
Por eso, en los próximos artículos hablaremos de las piezas que hacen posible construir agentes fiables: calidad del dato, arquitectura, selección de LLMs, contexto y memoria, RAG, orquestación, MCP, seguridad, gobernanza y paso de piloto a producción.
Porque la pregunta ya no es si la IA puede responder. Eso ya lo sabemos.
La pregunta importante es otra:
¿Qué parte del trabajo queremos que sea capaz de entender, preparar y ejecutar con autonomía y seguridad?
Ahí empieza el verdadero debate sobre agentes de IA: no en el nombre, sino en la capacidad de construir soluciones que generen valor real en la operación del día a día.
En Serquo podemos ayudarte a construir tu Agente a medida, puedes escribirnos a info@serquo.com o puedes ver más info aqui