# houck-dx-what-are-code-reviews-for-2026-08-05

## Veille

Número de la newsletter **Engineering Enablement** de **DX** firmado por **Brian Houck**, publicado el **5 de agosto de 2026**, de aproximadamente **13.000 caracteres**. El texto comienza con una observación cuantificada: en **Meta**, las líneas significativas por diff fusionado por un humano aumentaron un **106%** en un año y los diffs por desarrollador al mes un **51%**, con más del **80%** de este crecimiento proveniente de la IA agéntica, mientras que la proporción de diffs revisados dentro de las 24 horas disminuye; el análisis de DX, por su parte, mide un tamaño mediano de pull request un **64%** mayor, mientras que los desarrolladores quieren dedicar alrededor del **7%** de su tiempo a la revisión. (A) Antes de delegar la revisión a la IA, Houck replantea la pregunta de uso: *"¿Qué problema resolvía la revisión de código antes de la llegada de la IA?"* Si la respuesta es la detección de defectos, la automatización total se vuelve inevitable; el estudio de **Bacchelli & Bird** (*Modern Code Review*, ICSE 2013) muestra que los comentarios relacionados con defectos representan solo el **14%** de los comentarios realmente escritos. (B) Parte de la carga es *autoinfligida*: el estudio de Microsoft de 2016 sobre **911 desarrolladores** ya identificaba el tiempo de respuesta, el tamaño de la revisión y la comprensión de la motivación del cambio como los tres principales obstáculos, y solo el **26%** seguía escribiendo una descripción detallada. (1) **RADAR**, en Meta, sirve como el despliegue de referencia para la estratificación de riesgos. (2) Tres movimientos ordenados: corregir lo fundamental, diseñar la IA en torno al juicio humano, proteger lo que la revisión produce de manera invisible. El corpus ya incluye [[monperrus-end-of-code-review-agents-supersede-2026-06-11]], que lleva la automatización hasta el punto del reemplazo, y [[laycock-thoughtworks-reviewing-all-this-code-2026-09-02]], la respuesta directa a este texto.

## Titre Article

What are code reviews even for?

## Date

2026-08-05

## URL

https://newsletter.getdx.com/p/what-are-code-reviews-even-for

## Keywords

revisión de código, revisión de código, cola de revisión, tamaño del pull request, diff, rendimiento agéntico, capacidad de revisión, bikeshedding, descripción del cambio, estratificación de riesgos, RADAR, Meta, revisión automatizada, elegibilidad, responsabilidad humana, transferencia de conocimiento, propiedad colectiva, modelo mental compartido, deuda cognitiva, deuda de intención, Bacchelli & Bird, Modern Code Review, AI Where It Matters, DX, Engineering Enablement, salud de la revisión, tasa de reversión, incidentes en producción, tiempo mediano de cierre

## Authors

Brian Houck, signataire de l'édition, sur la newsletter Engineering Enablement de DX ; fonction non affichée par la page.

## Ton

Perfil: número de newsletter de investigación aplicada, con voz moderada en primera persona respaldada por conjuntos de datos internos, registro analítico que se vuelve prescriptivo hacia el final, nivel técnico medio, dirigido a líderes de ingeniería y equipos de plataformas de productividad de desarrolladores. La construcción avanza invirtiendo la pregunta planteada: en lugar de "cómo revisar más rápido", el autor pregunta "¿Qué problema resolvía la revisión de código antes de la llegada de la IA?" y hace depender todo lo que sigue de la respuesta. El argumento avanza a través de niveles de evidencia claramente separados — telemetría interna (Meta, DX), literatura académica atribuida (Bacchelli & Bird ICSE 2013, el estudio de Microsoft de 2016 sobre 911 desarrolladores), investigación cualitativa interna *AI Where It Matters* citada en verbatims de desarrolladores, y luego un despliegue industrial con nombre propio (RADAR). Las concesiones son explícitas y se sitúan antes de las recomendaciones: parte del problema es *autoinfligida*, y al propio equipo de RADAR se le atribuye haber reconocido su propia contrapartida, la posible erosión de la transferencia de conocimiento. El texto evita tanto el registro de la resignación como el del entusiasmo: la IA no es ni la causa ni la cura, *hereda* una situación y la amplifica. Citable tal cual: "El resultado visible de la revisión de código es mejor código. El resultado invisible es una mejor organización de ingeniería"; la fórmula para evaluar una herramienta de revisión con IA — no preguntar "¿Funciona?" sino "¿Cómo maximiza el tiempo y el valor del juicio humano?"; el verbatim de un desarrollador "mi aprobación pone mi nombre en ella"; y la línea de cierre, "La IA debería reducir absolutamente el tiempo que dedicamos a revisar código. Simplemente no debería reducir lo que aprendemos de ello".

## Pense-betes

- **El número que enmarca el problema no es la velocidad de generación, sino la brecha de capacidad**: en Meta, +**106%** en líneas significativas por diff fusionado humanamente y +**51%** en diffs por desarrollador al mes en un año, más del **80%** de lo cual se atribuye a la IA agéntica; del lado de DX, el tamaño mediano de PR +**64%**. Frente a esto, los desarrolladores afirman querer dedicar ~**7%** de su tiempo a la revisión. Houck concluye que pedir más revisión no es una respuesta sostenible: "Las cuentas no cierran".
- **La brecha entre la motivación declarada y la práctica real es el argumento central.** El estudio *Modern Code Review* (Bacchelli & Bird, ICSE 2013) encuentra que la detección de defectos es la motivación más citada, pero que los comentarios relacionados con defectos representan solo el **14%** de los comentarios escritos; más de la mitad de los desarrolladores afirma usar la revisión para explorar soluciones alternativas. Si la revisión no hace lo que creemos que hace, automatizar lo que creemos que hace no la sustituye.
- **La responsabilidad es anterior a la IA.** El estudio de Microsoft de 2016 sobre **911 desarrolladores** ya situaba en primer lugar el tiempo de respuesta, el tamaño de la revisión y la comprensión de la motivación del cambio; solo el **26%** seguía escribiendo una descripción detallada, y el *bikeshedding* figuraba entre los fallos más frecuentes. La fórmula del artículo: la IA no creó la situación, la heredó y la amplificó. Corolario operativo: auditar los fundamentos (tamaño del PR, descripción del *por qué*, tiempo de revisión protegido, controles automatizados ya implementados) **antes** de comprar una herramienta de revisión con IA.
- **RADAR (Risk Aware Diff Auto Review), Meta** — el despliegue de referencia citado: una combinación de análisis estático, *machine learning*, revisión por LLM y validación determinista, aplicada a un subconjunto de cambios de riesgo bajo a medio, con los diffs más riesgosos derivados a humanos. Cifras citadas: más de **535.000** diffs revisados, más de **331.000** fusionados, una tasa de reversión aproximadamente **un tercio** de la de los diffs sin RADAR, una tasa de incidentes en producción **cincuenta veces** más baja, un tiempo mediano de cierre **3,3 veces** más rápido (~70% de reducción). Al equipo de RADAR se le atribuye haber nombrado la propia contrapartida: a medida que se expande la automatización, la transferencia de conocimiento a través de la revisión humana puede verse afectada.
- **Lo que los desarrolladores quieren de la IA en la revisión, y lo que rechazan** (investigación de DX *AI Where It Matters*): detectar problemas de seguridad y cumplimiento, señalar cambios de alto riesgo, generar andamiaje de pruebas, exponer el impacto de un cambio en toda la base de código, absorber el volumen rutinario. Rechazado explícitamente: la fusión automática, el commit automático y asumir la responsabilidad final — "No puedo delegar por completo la revisión final del código a la IA: mi aprobación pone mi nombre en ella".
- **Deuda cognitiva y deuda de intención**: Houck toma de **Margaret-Anne Storey** el nombre de este riesgo de acumulación lenta — la brecha creciente entre lo que hace el sistema y lo que la organización comprende colectivamente sobre el *por qué*. Estas deudas no aparecen en ningún panel de control y emergen meses después, en un incidente, una transición o una reescritura. El mecanismo descrito es incremental: una serie de decisiones individualmente razonables ("este cambio es de bajo riesgo", "esta revisión puede automatizarse").
- ⚠️ **Lo que el texto no proporciona**: ninguna métrica operativa de "salud de la revisión" más allá del rendimiento, aunque la tercera recomendación es medir si los junior están aprendiendo y si el conocimiento arquitectónico se está difundiendo — el artículo plantea el objetivo sin instrumentar el indicador. Las cifras de RADAR se reportan, no se auditan, y un lector señala en los comentarios una formulación porcentual cuestionable.
- **Relacionado**: [[williams-adlc-4-prosecution-not-code-review-2026-06-12]] (la revisión reconcebida como construcción de un caso acusatorio en lugar de inspección) y [[osmani-cognitive-surrender-comprehension-debt-2026-05-05]] (la misma deuda de comprensión, nombrada de otra manera).

## RésuméDe400mots

Brian Houck publica, el 5 de agosto de 2026, en la newsletter Engineering Enablement de DX, un texto que aborda la crisis de las colas de revisión desde un ángulo distinto al de las herramientas. La observación cuantificada es contundente: en Meta, las líneas significativas por diff fusionado por un humano aumentaron un 106% en un año, los diffs por desarrollador al mes un 51%, con más del 80% de este crecimiento proveniente de la IA agéntica; el análisis de DX mide un tamaño mediano de pull request un 64% mayor. Mientras tanto, la proporción de diffs revisados dentro de las 24 horas disminuye, y algunas grandes organizaciones acumulan miles de revisiones pendientes. Sin embargo, los desarrolladores quieren dedicar alrededor del 7% de su tiempo a la revisión. Pedir más no es una respuesta: las cuentas no cierran.

Antes de recurrir a la IA como rescate, Houck replantea la pregunta de uso: ¿qué problema resolvía la revisión de código antes de la IA? Si era únicamente encontrar defectos, la automatización total es inevitable y deseable. Pero el estudio Modern Code Review de Bacchelli y Bird (ICSE 2013) establece que los comentarios relacionados con defectos representan solo el 14% de los comentarios realmente escritos, aunque la detección de defectos sea la motivación más citada; más de la mitad de los desarrolladores afirma usar la revisión para explorar soluciones alternativas, transferir conocimiento y saber qué están construyendo sus colegas.

Parte de la carga es, según escribe, autoinfligida. El estudio de Microsoft de 2016 sobre 911 desarrolladores ya identificaba el tiempo de respuesta, el tamaño de la revisión y la comprensión de la motivación como los tres principales obstáculos; solo el 26% seguía escribiendo una descripción detallada. La IA no creó esta situación: la heredó y la amplificó.

Una vez establecidos los fundamentos, la IA tiene un papel real que desempeñar. La investigación de DX AI Where It Matters muestra que los desarrolladores quieren que detecte problemas de seguridad y cumplimiento, señale cambios riesgosos y absorba el volumen rutinario, pero rechazan la fusión automática, el commit automático y la transferencia de responsabilidad. El sistema RADAR de Meta se presenta como la implementación más lograda de esta línea: automatización de un subconjunto de diffs de riesgo bajo a medio, derivando el resto a humanos, con resultados netos declarados y una contrapartida reconocida en la transferencia de conocimiento.

La conclusión toma de Margaret-Anne Storey la noción de deuda cognitiva y deuda de intención: la cuestión no es elegir entre revisión humana y revisión por IA, sino decidir qué partes de la revisión son demasiado valiosas para automatizar.

## GrapheDeConnaissance

- DX —publie→ What are code reviews even for? (DOCUMENT, 0.97)
- Brian Houck —a_créé→ What are code reviews even for? (DOCUMENT, 0.96)
- Brian Houck —travaille_chez→ DX (ORGANISATION, 0.9)
- Meta —mesure→ lignes significatives par diff humainement fusionné +106 % et diffs par développeur et par mois +51 % en un an, dont plus de 80 % attribués à l'IA agentique (MESURE, 0.93)
- DX —mesure→ taille médiane des pull requests en hausse de 64 % sous l'effet des outils de codage IA (MESURE, 0.92)
- Brian Houck —affirme_que→ demander aux développeurs de revoir davantage n'est pas soutenable : ils souhaitent y consacrer environ 7 % de leur temps (AFFIRMATION, 0.92)
- Modern Code Review —mesure→ les commentaires liés aux défauts ne représentent que 14 % des commentaires réellement écrits en revue (MESURE, 0.94)
- revue de code —permet→ exploration de solutions alternatives, transfert de connaissance et conscience de ce que construisent les coéquipiers (CONCEPT, 0.93)
- Brian Houck —affirme_que→ la sortie visible de la revue est un meilleur code, sa sortie invisible une meilleure organisation d'ingénierie (CITATION, 0.95)
- IA agentique —s_applique_à→ une dysfonction de revue préexistante qu'elle amplifie sans l'avoir créée (AFFIRMATION, 0.91)
- étude Microsoft 2016 sur la revue de code —mesure→ délai de retour, taille de la revue et compréhension de la motivation en tête des obstacles ; 26 % seulement rédigent toujours une description détaillée (MESURE, 0.9)
- bikeshedding —observé_dans→ les échecs de revue les plus fréquents, où l'on dispute du détail pendant que le sérieux reste inexaminé (AFFIRMATION, 0.88)
- Meta —a_créé→ RADAR (TECHNOLOGIE, 0.95)
- RADAR —utilise→ analyse statique, machine learning, revue par LLM et validation déterministe combinées avant fusion (CONCEPT, 0.93)
- RADAR —mesure→ plus de 535 000 diffs revus, plus de 331 000 fusionnés, revert environ un tiers du taux hors RADAR, incidents de production cinquante fois plus bas, fermeture médiane 3,3× plus rapide (MESURE, 0.9)
- stratification par risque —s_oppose_à→ automatisation indifférenciée de la revue sur tous les changements (AFFIRMATION, 0.92)
- RADAR —réduit→ le transfert de connaissance assuré par la revue humaine, arbitrage reconnu par l'équipe elle-même (AFFIRMATION, 0.88)
- AI Where It Matters —affirme_que→ les développeurs veulent que l'IA détecte les risques et absorbe le routinier, mais refusent auto-merge, auto-commit et transfert de la redevabilité finale (AFFIRMATION, 0.92)
- redevabilité humaine —s_applique_à→ l'approbation finale d'un changement, que le développeur signe de son nom (CITATION, 0.9)
- Margaret-Anne Storey —a_créé→ dette cognitive et dette d'intention (CONCEPT, 0.9)
- dette cognitive et dette d'intention —mesure→ écart croissant entre ce que le système fait et ce que l'organisation comprend du pourquoi, invisible sur les tableaux de bord (AFFIRMATION, 0.89)
- Brian Houck —recommande→ réparer les fondamentaux, concevoir l'IA autour du jugement humain, puis mesurer la santé de la revue au-delà du débit (AFFIRMATION, 0.93)
- Brian Houck —recommande→ évaluer un outil de revue IA en demandant comment il maximise le temps et la valeur du jugement humain, pas s'il fonctionne (CITATION, 0.91)

---
Canonical: https://www.thekb.eu/es/fiches/houck-dx-what-are-code-reviews-for-2026-08-05/