Los agentes de IA ya no solo sugieren código: lo escriben, lo prueban y en algunos casos hasta lo despliegan. Aunque el problema de siempre no desapareció —un modelo puede alucinar, jurar que un test pasa cuando nunca llegó a correr— solo que ahora vive dentro de la cadena de producción, no en un chat donde el peor daño es una respuesta rara.
Y ahí apareció la respuesta obvia: si un solo juez de IA puede fallar, pon dos a revisarse entre sí. Si coinciden, hay confianza; si difieren, se re-revisa. Es la técnica que la industria llama LLM-as-a-Judge, llevada un paso más allá: en vez de que un modelo evalúe a otro para medir calidad, dos modelos jueces deciden si algo está listo para producción, sin que una persona dé el visto bueno en el camino normal. La venden como el equivalente de la regla de los dos pares de ojos que usan la aviación y la banca, ahora aplicada a agentes que aprueban su propio trabajo.
Suena bien pero cuanto más la miro, menos me convence. Una parte de esto es ingeniería sólida. Otra sigue siendo, por ahora, una promesa con forma de diagrama —con una analogía central que aguanta bastante menos peso del que parece.
¿Qué tan real es esto de tener dos jueces de IA decidiendo en lugar de una persona? Separando lo sólido de lo aspiracional, y contrastando la analogía central con lo que la evidencia dice, el panorama es más matizado de lo que el discurso sugiere.
