IA elimina la deuda técnica: Instacart deja de preocuparse por el código

¿Qué ha ocurrido?

En la conferencia VB Transform 2026, el CTO de Instacart, Anirban Kundu, presentó una tesis provocadora: la IA puede absorber la mayor parte del trabajo repetitivo de los desarrolladores, eliminando de paso la deuda técnica. Según Kundu, en el 97% de los casos los desarrolladores de Instacart ya no leen el código generado por IA. El código nuevo se genera o regenera semanalmente, y los sistemas inactivos se descartan automáticamente. “El beneficio es que ya no nos preocupamos por la deuda técnica”, afirmó Kundu.

Instacart ha implementado un sistema de agentes de IA que generan código, realizan evaluaciones automáticas (unas 7.000 al mes con un 99,9% de precisión) y gestionan la confiabilidad del sitio (SRE) mediante un sistema llamado Blueberry, que monitorea canales de Slack y detecta incidentes en producción. La empresa ha invertido años en su proyecto Atoms para descomponer monolitos en arquitecturas basadas en RPC, lo que facilita la regeneración constante de código. Esta transformación no es improvisada: responde a una estrategia deliberada de migrar de monolitos a microservicios, permitiendo que el código se genere y descarte sin acumular deuda.

¿Por qué es importante?

La deuda técnica es uno de los mayores lastres en el desarrollo de software. Tradicionalmente, las empresas acumulan código legacy, parches y workarounds que ralentizan la innovación. El enfoque de Instacart sugiere que, si el código se genera y regenera constantemente por IA, la deuda técnica simplemente desaparece porque el código obsoleto nunca se acumula. Esto podría transformar la gestión de proyectos de software, reduciendo costos de mantenimiento y acelerando el time-to-market. Según datos de la industria, las empresas dedican entre el 30% y el 50% de su presupuesto de TI al mantenimiento de sistemas legacy; si esta estrategia se generalizara, esos recursos podrían redirigirse a innovación.

Además, el sistema de SRE basado en IA (Blueberry) ha aumentado la precisión en la detección de incidentes del 60% al 90%+, al entrenarse con datos históricos propios de Instacart en lugar de datos genéricos. Esto demuestra que la IA puede superar la intuición humana en diagnósticos complejos. En contraste, sistemas tradicionales de monitoreo como PagerDuty o Datadog suelen generar falsos positivos que requieren intervención manual. Blueberry, al aprender de incidentes pasados de Instacart, logra identificar patrones que antes pasaban desapercibidos.

Consecuencias para la industria

Si la estrategia de Instacart se generaliza, las implicaciones son profundas:

• Redefinición del rol del desarrollador: Pasará de escribir código a orquestar agentes de IA, definiendo intenciones y manejando excepciones. Como dijo Kundu: “En el nivel táctico más básico, ya no se trata de crear código, sino de navegar alrededor del sistema de IA para obtener lo que quieres”. Esto se asemeja al cambio que supuso pasar de programar en ensamblador a lenguajes de alto nivel: el programador se enfoca en la lógica, no en los detalles de bajo nivel.
• Obsolescencia de las revisiones de código tradicionales: Cuando la IA genera código sintácticamente correcto, la revisión se centra en la intención y no en la sintaxis. Instacart ya está formando a sus desarrolladores en un “modelo de intención”, donde aprenden a formular preguntas correctas a los modelos de IA. Esto podría eliminar la necesidad de pull requests y code reviews manuales, ahorrando horas de trabajo.
• Reducción de costos de mantenimiento: Las empresas podrían ahorrar millones al eliminar la deuda técnica acumulada. Por ejemplo, un estudio de Stripe estimó que los desarrolladores pierden 17 horas semanales en código legacy; con IA generativa, ese tiempo se reduce drásticamente.
• Nuevos desafíos: La dependencia de la IA requiere sistemas de evaluación robustos y estrategias para manejar el 3% de código legacy, compliance o sensible a latencia. Instacart aún mantiene ese 3% bajo supervisión humana, y está trabajando en “alisar” esas partes mediante el proyecto Atoms. La evaluación automática es clave: las 7.000 evaluaciones mensuales con 99,9% de precisión son un estándar que otras empresas deberán emular.

¿Qué deben saber los lectores?

No todo es aplicable de inmediato. Instacart ha invertido años en su proyecto Atoms para descomponer monolitos en arquitecturas basadas en RPC. Además, el 3% de código que aún requiere atención humana incluye sistemas legacy, compliance y de latencia crítica. La estrategia funciona mejor en entornos donde el código puede regenerarse con frecuencia; no es una bala de plata para todos los casos. Por ejemplo, empresas con sistemas embebidos o de tiempo real difícilmente podrían reescribir código semanalmente.

Las empresas que quieran seguir este camino deben priorizar la creación de pipelines de evaluación automática y entrenar a sus equipos en un “modelo de intención”, donde los desarrolladores aprendan a formular preguntas correctas a los modelos de IA. También deben considerar la madurez de su arquitectura: si aún tienen monolitos grandes, la descomposición en servicios más pequeños es un prerrequisito. Kundu advirtió que su equipo comenzó con los monolitos y está migrando a RPC, un proceso que llevó años.

“En el nivel táctico más básico, ya no se trata de crear código, sino de navegar alrededor del sistema de IA para obtener lo que quieres”, dijo Kundu.

El caso de Instacart es un referente temprano de cómo la IA puede transformar la ingeniería de software, pero cada organización deberá evaluar su propia madurez técnica y cultural antes de adoptar este enfoque. La historia muestra que cambios similares, como la adopción de la computación en la nube, requirieron años de adaptación. Lo que hoy parece una excepción podría convertirse en norma en la próxima década.