La era del desarrollo agéntico
ha puesto sobre la mesa nuevas preguntas sobre qué es mejor para crear, mantener y evolucionar el software de hoy y del mañana.

Pero antes de debatir sobre cuál es la mejor opción, si GeneXus
, Globant Coda
, Claude Code
, Codex
, o cualquier otra herramienta que esté en la vuelta, vale la pena entender qué problema resuelve cada una, cuáles son sus alcances y dónde aparecen sus límites. Esa mirada nos permite tener una conversación más honesta, menos guiada por el hype y más conectada con las necesidades reales de desarrollo empresarial.

Código primero o conocimiento primero

Si estás creando una aplicación chica, un prototipo, una automatización, un script, una prueba de concepto o un producto donde tú mismo controlarás el repositorio, probablemente Claude Code te dé una experiencia más inmediata que GeneXus.

Esto ocurre porque GeneXus no compite sólo en la cancha de “quién genera un prototipo lindo rápido” o “quién puede crear más líneas de código más velozmente”.

La fortaleza de GeneXus
aparece cuando el problema deja de ser «generar código rápido» y pasa a ser construir, mantener y evolucionar sistemas empresariales completos: con modelo de datos, reglas de negocio, APIs, interfaces, seguridad, integraciones, trazabilidad, generación determinística, gobierno y ciclo de vida largo.

Claude Code trabaja muy bien sobre código
. Puedes usar specs, documentos o algún enfoque de spec-driven development para intentar conservar parte del conocimiento de lo que estás construyendo, y todo utilizando IA Generativa.

GeneXus trabaja sobre una base de conocimiento primero y genera después
. Parte del conocimiento estructurado del sistema (la cual llamamos
Knowledge Base
), que contiene datos, reglas, relaciones etc, y desde allí genera código, pero lo hace con un tipo de generador diferente, una forma de IA determinística (simbólica) para modelar, inferir y generar software de manera consistente.

Es una estrategia análoga en el objetivo -acelerar la creación de software-, pero muy diferente en su naturaleza.

El nuevo cuello de botella: verificar lo generado

La generación de código mediante IA generativa a simple vista no parece tener limitantes, porque cualquier cosa que le pidamos, va a intentar a hacerlo. No importa el idioma, lenguaje de programación o el pedido que le hagamos. Pero los coding agents también tienen una limitación que se vuelve evidente cuando miramos hacia dónde se desplazó el cuello de botella.

Antes el cuello de botella era crear código. Ahora, cada vez más, el cuello de botella pasa a ser verificar lo generado
: revisar si el código hace lo que debía hacer, si respeta la arquitectura, si no rompe algo existente, si no introduce vulnerabilidades, si es mantenible, si encaja con el resto del sistema y si seguirá siendo entendible dentro de seis meses.

En aplicaciones pequeñas, ese overhead es totalmente tolerable. Incluso puede no importar demasiado. Si algo se rompe, el mismo desarrollador que generó el código probablemente lo entiende, lo corrige y sigue adelante.

Pero en aplicaciones grandes, con varios equipos, muchas reglas de negocio, integraciones, compliance, seguridad, datos críticos y años de evolución por delante, ese costo de control empieza a pesar. La velocidad de generación deja de ser el único indicador relevante. Las preguntas pasan a ser otras: ¿Cuánto esfuerzo necesito para pasar del prototipo funcional al sistema en producción? ¿Cuánto tengo que auditar? ¿Cuánto tengo que revisar? ¿Puedo confiar en lo que se generó para un sistema empresarial?

Ahí
GeneXus tiene una diferencia de construcción importante
.

IA Generativa con gobernanza empresarial

En GeneXus no ignoramos los beneficios de la IA generativa. De hecho, construimos
Glob.AI OS
 para poder aprovecharla de mejor manera en ambientes empresariales y construimos
GeneXus Next
sobre esta plataforma.

Hoy, GeneXus (a través de
GeneXus for Agents
y otros asistentes como
Nexa
) puede usar IA para asistir, acelerar, interpretar intención y ayudar a construir el modelo, pero la generación de código no depende de un LLM que genera cosas diferentes en cada interacción. La generación parte de una KB formal y de generadores determinísticos. Eso significa que el código generado no es una ocurrencia probabilística distinta en cada interacción, sino el resultado consistente de un modelo, de patrones probados y de una plataforma diseñada justamente para producir sistemas ejecutables a partir de conocimiento estructurado.

Obviamente, igual hay que testear. Hay que validar reglas de negocio, experiencia de usuario, integraciones y comportamiento funcional, pero cambia la naturaleza y escala del problema: no estás auditando una masa de código generada libremente por un agente, sino verificando un sistema producido desde una fuente de verdad gobernada.

El factor económico de los coding agents

La IA generativa de alta calidad es extremadamente costosa. Para desarrolladores individuales o proyectos pequeños, y por ahora, ese costo está subvencionado por las plataformas.

Existen planes que te dan gran cantidad de tokens a un costo razonable. Pero en ambientes enterprise la situación cambia: los planes, los precios, los controles y las restricciones no son los mismos. Y cuando hablamos de Enterprise, no hablamos solo del equipo de desarrollo. Hablamos de empresas donde decenas o cientos de personas empiezan a usar IA para diseñar, analizar, documentar, automatizar, revisar, generar y operar procesos. En una organización de 150 personas o más, el costo de IA deja de ser anecdótico.

En ese contexto, una estrategia basada únicamente en generación generativa puede volverse cara, difícil de gobernar y difícil de escalar.

¿Por qué la combinación importa más que la sustitución?

Hoy en día la pregunta que nos hacemos internamente es: ¿Qué pasa cuando combinamos la productividad de los agentes modernos con una base de conocimiento GeneXus gobernada y declarativa, IA generativa y generación determinística?

Creemos que allí está la oportunidad y diferencia para GeneXus en el ambiente empresarial.

GeneXus ya demostró durante décadas que el camino para la creación de sistemas empresariales pasa por elevar el nivel de abstracción: no escribir todo a mano, sino modelar conocimiento y generar sistemas a partir de ese conocimiento. El mercado llegó ahora a una conclusión parecida, aunque por otro camino: el código se va a generar cada vez más.

Llegó por otro camino, pero llegó: el código se va a generar cada vez más; la diferencia estará en desde dónde se genera, cómo se gobierna y cuánto cuesta verificarlo.

Ahora, con
Glob.AI OS
 para la gobernanza,
GeneXus for Agents
para la interacción agéntica con bases de conocimiento de GeneXus y con
GeneXus Next
(e incluso GeneXus 18), estamos trabajando para demostrar que el camino de la combinación de las inteligencias artificiales nos da los mejores resultados.

En una charla, Gastón Milano
(CTO Glob.AI OS) hablaba justamente de esto, la diferencia ya no está solamente en el modelo, sino en todo el harness de ingeniería que rodea al modelo: las herramientas, la memoria, el filesystem, las bases de datos, los loops de ejecución, los mecanismos de control y las capacidades que se le dan al agente.

Y ahí aparece una palabra clave para entender hacia dónde va la industria: neuro-simbólico. Es decir, IA generativa creando texto o código, combinada con ingeniería, reglas, herramientas, memoria, mecanismos de control y estructuras de conocimiento que acotan, guían y validan lo que el modelo puede hacer.

En GeneXus, esa idea tiene una traducción muy concreta. No partimos de código suelto, sino de conocimiento formalizado en una base de conocimiento. Y no generamos únicamente mediante una salida probabilística de un LLM, sino combinando IA generativa con una capa simbólica/determinística basada en reglas, inferencia y generadores probados. En términos actuales, podríamos decir que GeneXus está evolucionando hacia una arquitectura neuro-simbólica aplicada al desarrollo de software: agentes generativos para capturar intención y operar, y una base de conocimiento determinística para gobernar, validar y generar sistemas empresariales sostenibles, auditables y evolucionables.

Este es nuestro foco ahora: mostrar lo que se puede construir cuando los agentes no trabajan solo sobre archivos de código, sino sobre una base de conocimiento empresarial, y cuando la generación no depende únicamente de IA probabilística, sino de modelos gobernados y generación determinística.

Para trabajar en ese mundo híbrido, usando la potencia de los coding agents y GeneXus a la vez, es que creamos GeneXus for Agents
.