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.