Meta usa IA para convertir conocimiento tácito en un mapa de código

El 6 de abril de 2026, Meta describió un intento de convertir el conocimiento tácito de sus ingenieros en una capa de contexto que sus agentes de programación puedan consultar. Un asistente puede encontrar una función, proponer un cambio y hacer que el código compile; lo difícil es saber qué no debe tocar. En los sistemas grandes, buena parte de esa respuesta no vive en el repositorio: está repartida entre convenciones, decisiones antiguas y la memoria de quienes han mantenido el producto.

El caso parte de uno de sus pipelines de procesamiento de datos. Según la compañía, abarca cuatro repositorios, tres lenguajes y más de 4.100 archivos. Un cambio aparentemente pequeño, como incorporar un campo de datos, puede atravesar registros de configuración, enrutamiento, composición de grafos, validación, generación de código y automatización. Al principio, los agentes exploraban y adivinaban: podían producir cambios que compilaban, pero eran incorrectos por relaciones que el código no hacía evidentes.

Un mapa antes de editar

En vez de pedir a un solo agente que resumiera el repositorio, Meta preparó una fase previa de cálculo. Más de 50 tareas especializadas repartieron el trabajo: exploradores para cartografiar el código, analistas de módulos, redactores, críticos independientes, correctores, pruebas de prompts y revisiones de integración. El resultado fueron 59 archivos de contexto y un índice de dependencias entre repositorios.

Cada archivo aplica el principio que Meta llama «brújula, no enciclopedia». En unas 25 a 35 líneas reúne comandos rápidos, los pocos ficheros clave, patrones poco obvios y referencias cruzadas. La intención no es volcar la historia del sistema en el contexto del modelo, sino ayudarle a empezar su investigación por el lugar adecuado.

Eso importa porque el conocimiento más valioso suele ser negativo: valores marcados como obsoletos que no se pueden borrar por compatibilidad de serialización; dos modos que usan nombres distintos para la misma operación; o campos temporales cuyo nombre cambia más adelante en el pipeline. Meta dice haber identificado más de 50 de estos patrones. El sistema vuelve a revisar periódicamente rutas, huecos de cobertura y referencias caducadas, porque una guía desactualizada puede ser peor que no tener guía.

Las cifras son de un caso interno

Meta afirma haber pasado de cinco archivos y una cobertura aproximada del 5% a 59 archivos que cubren todos los módulos del pipeline. En pruebas preliminares sobre seis tareas, los agentes con este contexto necesitaron alrededor de un 40% menos llamadas a herramientas y tokens. La compañía también informa de que sus críticos verificaron las rutas de archivos sin alucinaciones.

Son resultados útiles para entender la hipótesis, pero no bastan para convertirla en una regla de ingeniería. Se trata de un sistema propietario con conocimiento específico que no formaba parte del entrenamiento público de los modelos, y la comparación cubre seis tareas. Meta no presenta un benchmark externo ni una medición independiente de calidad de los cambios desplegados.

El contexto también puede estorbar

Un preprint de investigadores de ETH Zürich y colaboradores ofrece un contrapunto. Al evaluar archivos de contexto de repositorio en SWE-bench Lite y en un conjunto propio de tareas, hallaron que los archivos generados por modelos no mejoraban de forma general la tasa de resolución y elevaban el coste de inferencia entre un 20% y un 23% según el banco de pruebas. Los archivos escritos por desarrolladores resultaron algo mejores para todos los agentes salvo Claude Code, aunque también incrementaron pasos y coste.

La diferencia ayuda a explicar la apuesta de Meta. No se trata de añadir un resumen largo a cualquier proyecto, sino de recuperar información que el modelo no puede conocer, cargarla solo cuando es pertinente y someterla a revisión. Incluso así, hay que medir si reduce exploración inútil sin imponer reglas innecesarias.

La lección práctica no es que cada repositorio necesite decenas de documentos para agentes. Es que la documentación que cuenta para un asistente de código debe ser concreta, verificable y mantenerse al día. En un sistema complejo, un buen mapa no sustituye al criterio del ingeniero; reduce el tiempo que tarda en descubrir por dónde no conviene avanzar.