Tu equipo mete código con cuatro herramientas de IA diferentes. Tal vez cinco. El de backend jura por Claude Code, los de frontend viven en Cursor, el pasante descubrió GitHub Copilot en la universidad y nunca lo soltó, y alguien en ingeniería de plataforma instaló JetBrains AI sin hacer ruido. Todos son productivos. El código compila. CI pasa. Nadie cuestiona el arreglo.

Pero acá va la cosa: tu codebase ahora se lee como una novela escrita por cuatro escritores fantasma que nunca se conocieron. Cada oración es gramaticalmente correcta. El libro, en su conjunto, no tiene ningún sentido.

La división ya es oficial

El 10 de abril de 2026, JetBrains publicó su encuesta AI Pulse — más de 10,000 desarrolladores profesionales, ocho lenguajes de programación, ponderación estadística. El número que importa: Copilot con 29%, Claude Code y Cursor empatados en 18%, JetBrains AI con 11%. El noventa por ciento de los desarrolladores usa al menos una herramienta de IA en el trabajo.

Eso no es una herramienta ganando. Son todas las herramientas ganando dentro de la misma organización.

Y acá se pone interesante: cada herramienta trajo su propio archivo de instrucciones — un documento de configuración que le dice a la IA cómo escribir código para tu proyecto específico. Claude Code lee CLAUDE.md. Copilot lee copilot-instructions.md. Cursor lee .cursor/rules/*.mdc. OpenAI Codex CLI lee AGENTS.md (ahora bajo la Linux Foundation, adoptado por más de 60,000 proyectos open-source). Windsurf lee .windsurf/rules/*.md. Gemini CLI lee GEMINI.md.

Seis herramientas. Seis formatos de configuración. Cada una ignora silenciosamente a las demás. Como señaló TokenCentric en una comparación de marzo 2026: "Un desarrollador trabajando en cinco proyectos con tres herramientas de IA podría estar manteniendo quince archivos de configuración."

Cómo cuatro IAs escriben cuatro codebases diferentes

Cada IA tiene su personalidad. Claude Code favorece el manejo explícito de errores y la composición funcional — funciones pequeñas, tipos claros, verboso pero predecible. Copilot refleja el promedio estadístico de GitHub — escribe código como se ve la mayoría del código open-source, lo que significa promedio en todos los sentidos. Cursor auto-enruta entre modelos (Claude, GPT, sus propios fine-tunes), mezclando estilos dentro del mismo pull request dependiendo de qué modelo procesó cada archivo.

Nada de esto está mal. Ese es el problema. Un linter — una herramienta que revisa el código buscando violaciones de estilo — atrapa errores de tipeo y formato. No atrapa el hecho de que tu servicio de autenticación maneja errores con bloques try-catch, tu servicio de pagos usa Result types, y tu servicio de notificaciones retorna null. Tres enfoques, todos válidos, todos pasando CI (Integración Continua — pruebas automatizadas que corren antes de mergear código), todos creando un codebase que nadie puede navegar sin un mapa.

El estudio a gran escala más reciente sobre calidad de código IA — el reporte de CodeRabbit de diciembre 2025, que sigue siendo la mejor data disponible cuatro meses después — cuantificó el daño en 470 pull requests de GitHub: el código escrito por IA tenía 1.7× más problemas en general, 3× más problemas de legibilidad, y 2.66× más inconsistencias de formato que el código humano. Y eso midiendo la salida de una sola herramienta. Los codebases con múltiples herramientas apilan estas inconsistencias una encima de otra.

El momento de lucidez que nadie quería

El resultado no son bugs. Los bugs se encuentran. El resultado es incoherencia arquitectónica — un término que Martin Fowler rodeó el 7 de abril de 2026 en su ensayo sobre "harness engineering", donde definió la ecuación: Agent = Model + Harness. El harness es todo lo que rodea al modelo de IA — los archivos de configuración, las barreras de seguridad, las instrucciones. Fowler admitió: "Todavía tenemos mucho por hacer para descifrar buenos harnesses para comportamiento funcional."

Traducción: nadie ha resuelto esto todavía.

Greg Foster, CTO de Graphite, lo planteó de otra forma en un post de Stack Overflow del 26 de marzo: los ingenieros humanos "absorben implícitamente el contexto del codebase" mientras programan. Notan que el resto del servicio usa Result types, así que usan Result types también. Los agentes de IA no absorben nada — siguen lo que diga su archivo de configuración, o peor, lo que sugieran sus datos de entrenamiento.

El precio

Ninguna herramienta existente detecta esto. ESLint revisa la sintaxis. Prettier revisa el formato. El code review atrapa bugs. Ninguno de ellos marca "este archivo claramente fue escrito por una IA diferente a la del archivo de al lado".

Y no esperes que los vendors cierren la brecha voluntariamente. Si Cursor hiciera sus reglas compatibles con la configuración de Claude Code, facilitaría el cambio de herramienta. La fragmentación es un foso, aunque sea accidental.

Proyectos de la comunidad intentan compensar. rule-porter, que apareció en GitHub en febrero de 2026, convierte entre formatos de configuración; rulesync, que surgió por la misma época, intenta unificarlos. Ambos reportan tasas de conversión limpia de aproximadamente 75%. El 25% restante es donde vive la intención arquitectónica, y se pierde en la traducción.

Addy Osmani de Google advirtió en febrero de 2026: "Entre más limpia tu arquitectura, menos la IA alucina abstracciones raras." Lo inverso también aplica: entre más desordenado tu codebase multi-IA, más rara se vuelve cada contribución subsiguiente de IA. La entropía se acumula.

Qué hacer al respecto

Si tu equipo usa múltiples herramientas de IA — y estadísticamente, así es — necesitas una cosa: un documento de estilo único y agnóstico de herramientas que toda IA lea. No seis archivos de configuración. Una sola fuente canónica de verdad sobre cómo tu codebase maneja errores, estructura APIs, nombra cosas y organiza dependencias. Después, un pre-commit hook — una verificación automatizada que corre antes de guardar el código — que aplique esos patrones sin importar qué IA lo escribió.

El estándar AGENTS.md, ahora bajo la Linux Foundation, es lo más cercano a un formato universal. No es perfecto, pero es el único con respaldo cross-vendor.

La nueva normalidad

Tu codebase ahora tiene más autores IA que humanos. Andrej Karpathy lo dijo sin rodeos el 26 de enero de 2026: "No estás escribiendo el código directamente el 99% del tiempo… estás orquestando agentes." Perfecto. Pero las orquestas necesitan un director, y necesitan una partitura. Ahora mismo, la mayoría de los equipos tienen cuatro músicos tocando de cuatro partituras diferentes en cuatro tonalidades distintas — y la audiencia escucha "compila" y asume que es música.

Alguien tiene que escribir la política editorial antes de que el repo escriba una por ti. No va a ser bonito.