Por Canuto  

GitHub incorporó herramientas para que los mantenedores desactiven o limiten los pull requests externos, mientras el volumen mensual de solicitudes fusionadas en la plataforma supera los 90 millones.
***

  • Los nuevos controles permiten desactivar los pull requests de un repositorio y configurar restricciones para las contribuciones externas.
  • El volumen mensual de pull requests fusionados pasó de aproximadamente 25 millones a comienzos de 2023 a más de 90 millones, según datos divulgados por GitHub.
  • Un estudio sobre 1.000 repositorios encontró que 118 cuentan con políticas formales para aceptar contribuciones creadas o asistidas por IA.

GitHub responde al aluvión de contribuciones

GitHub incorporó nuevos controles a nivel de repositorio para ayudar a los mantenedores a enfrentar una oleada de pull requests de baja calidad, muchos de ellos generados con herramientas de inteligencia artificial. Entre las opciones anunciadas figuran la posibilidad de desactivar por completo los pull requests y establecer restricciones para las contribuciones externas. Los controles fueron anunciados por GitHub en febrero de 2026 y buscan reducir el tiempo que los equipos dedican a revisar propuestas irrelevantes o repetitivas.

Los pull requests, conocidos como PR, son solicitudes mediante las cuales un desarrollador propone modificaciones al código de un repositorio para que los responsables las revisen y eventualmente las incorporen. En el modelo de código abierto, este mecanismo facilita que personas ajenas al equipo principal corrijan errores, agreguen funciones o mejoren la documentación, pero también puede convertirse en una fuente de ruido cuando los envíos no responden a una necesidad real. La expansión de agentes capaces de escribir y presentar código automáticamente ha intensificado esa tensión entre apertura y control.

GitHub informó que el volumen mensual de pull requests fusionados aumentó desde aproximadamente 25 millones a comienzos de 2023 hasta superar los 90 millones. La cifra implica un incremento cercano al 260%, aunque el dato no significa que cada solicitud sea inútil ni permite atribuir todo el crecimiento a la inteligencia artificial. Sí muestra, sin embargo, la escala de la actividad que los mantenedores deben filtrar en una plataforma donde miles de proyectos dependen de revisiones voluntarias.

La decisión también expone una paradoja para GitHub, cuyo producto Copilot se convirtió en uno de los asistentes de programación con IA más exitosos comercialmente. La empresa impulsa herramientas que facilitan la creación de código y, al mismo tiempo, ofrece mecanismos para contener parte de los envíos que ese ecosistema puede generar. Para los proyectos abiertos, la prioridad inmediata no es resolver el debate sobre la tecnología, sino recuperar la capacidad de distinguir una contribución útil de una propuesta automatizada que nadie puede justificar.

Qué caracteriza al código basura generado por IA

Los envíos problemáticos suelen ignorar las pautas de contribución establecidas por cada proyecto, una señal que obliga a los mantenedores a invertir tiempo antes incluso de evaluar el código. En otros casos, presentan cambios cosméticos que modifican la apariencia de archivos sin alterar su funcionamiento, o intentan corregir problemas que no existen. La dificultad crece cuando una propuesta parece técnicamente ordenada, pero carece de una justificación vinculada con las necesidades reales del repositorio.

Otra característica frecuente aparece durante la revisión: cuando los responsables solicitan ajustes, explicaciones o pruebas adicionales, el autor abandona el pull request. Ese comportamiento puede sugerir que la persona no comprende el cambio enviado o que utilizó un agente para producir solicitudes en serie, sin intención de mantener una conversación técnica. El resultado es una cola de trabajo adicional para equipos que ya operan con recursos limitados y que deben cerrar manualmente propuestas que nunca llegarán a integrarse.

Un episodio ocurrido en abril de 2026 ilustró el alcance que puede tener esta práctica. Un ingeniero que utilizaba un agente autónomo de programación presentó más de 130 pull requests en distintos repositorios durante un periodo de apenas 72 horas, y GitHub terminó suspendiendo la cuenta. El caso no demuestra por sí solo que todas las herramientas autónomas produzcan spam, pero sí evidencia el riesgo de combinar automatización, incentivos para enviar contribuciones y ausencia de una revisión humana previa.

El término slop de IA describe precisamente ese tipo de producción abundante, superficial o irrelevante, que puede parecer trabajo terminado sin aportar una mejora sustancial. En el código abierto, el costo no se mide únicamente en espacio de almacenamiento o tráfico de plataforma, sino en la atención de quienes deben leer, probar, comentar y cerrar cada propuesta. Cuando esa atención se agota, los proyectos pueden responder reduciendo su apertura incluso frente a contribuciones legítimas de desarrolladores desconocidos.

Las nuevas herramientas para los mantenedores

La primera opción habilitada por GitHub consiste en desactivar los pull requests de un repositorio por completo. Un proyecto puede recurrir a esa medida cuando atraviesa una etapa de mantenimiento interno, cuando recibe un volumen inmanejable de propuestas o cuando necesita proteger una base de código especialmente sensible. El control no obliga a todos los repositorios a adoptar la misma postura, porque cada propietario decide si la apertura total todavía resulta sostenible para su comunidad.

GitHub también ha trabajado en configuraciones para administrar el acceso a los pull requests. Estas opciones pueden servir para limitar la participación externa o reducir la cantidad de solicitudes que un contribuidor mantiene abiertas al mismo tiempo. Con ese filtro, los equipos disminuyen la exposición a contribuciones masivas de cuentas externas, aunque también restringen la posibilidad de que nuevos participantes ganen confianza mediante aportes iniciales.

Un límite sobre la cantidad de pull requests abiertos simultáneamente por un contribuidor externo busca frenar el comportamiento de quienes presentan numerosas propuestas a la vez sin cerrar, corregir o responder las anteriores, sin bloquear necesariamente toda participación externa. En teoría, el límite conserva una puerta de entrada para aportes legítimos y permite que el equipo detecte con mayor facilidad si el autor entiende los cambios que propone.

Camilla Moraes, gerente de producto de GitHub, comenzó a impulsar conversaciones internas sobre estas herramientas en febrero de 2026. La plataforma dedicó aproximadamente seis meses a desarrollarlas y probarlas antes de su lanzamiento público. Al tratarse de controles opcionales, el diseño deja en manos de los mantenedores la decisión sobre el grado de apertura adecuado para cada proyecto, en lugar de imponer una política general para todo el ecosistema.

Políticas de IA y futuro del código abierto

La reacción de los proyectos no se limita a restringir el acceso, pues algunos están creando reglas específicas para las contribuciones asistidas por inteligencia artificial. Un estudio que examinó 1.000 repositorios de GitHub encontró que 118 ya habían establecido políticas formales sobre el uso de estas herramientas. El dato muestra que la discusión dejó de ser hipotética y pasó a formar parte de las normas cotidianas con las que los equipos administran sus comunidades.

Entre esos 118 repositorios, el 78% permitía el trabajo asistido por IA bajo determinadas condiciones. Las exigencias incluían revelar el uso de herramientas de inteligencia artificial, someter el código generado a una revisión humana y demostrar que el contribuidor comprendía los cambios presentados. Tales requisitos no prohíben la automatización, pero desplazan la responsabilidad hacia la persona que firma la propuesta y buscan evitar que un agente se convierta en un sustituto de la evaluación técnica.

La tensión central consiste en preservar los beneficios de la colaboración abierta sin trasladar a voluntarios el costo de procesar cantidades ilimitadas de material irrelevante. Un pull request elaborado con ayuda de IA puede ahorrar tiempo si resuelve un problema real, respeta la arquitectura del proyecto y llega acompañado de pruebas y explicaciones verificables. En cambio, una propuesta automatizada que solo cambia nombres, repite funciones existentes o inventa errores puede consumir más recursos de los que pretende ahorrar.

Los nuevos controles de GitHub no resuelven por sí mismos la calidad del código ni determinan cuándo una contribución asistida por IA es aceptable. Su función es ofrecer herramientas de administración mientras las comunidades definen estándares propios, desde la divulgación obligatoria hasta la limitación de envíos externos. El desafío que queda para la plataforma y sus usuarios será encontrar un equilibrio entre frenar el spam, mantener oportunidades para nuevos desarrolladores y evitar que la defensa contra el ruido cierre innecesariamente las puertas del código abierto.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados