La Preparación para IA mide hasta qué punto un repositorio está equipado para ser desarrollado y mantenido con agentes de codificación con IA: si un agente que llega a la base de código encuentra orientación, puede preparar el entorno y verificar sus propios cambios, puede leer el código dentro de las restricciones del modelo y puede descubrir interfaces legibles por máquinas.
La categoría tiene un peso deliberadamente pequeño del 4% en el índice de salud general. Las herramientas para agentes se han convertido en una señal real de mantenimiento — pero el peso está dimensionado, junto con la curva de calibración del índice, para que su ausencia nunca cierre el tope de la escala: un proyecto sólido anterior a la era de la IA, sin ninguna señal de Preparación para IA, puede alcanzar igualmente 100/100. Un proyecto que invierte en herramientas para agentes obtiene una distinción visible y unos pocos puntos de índice; uno que no lo hace nunca queda fuera del alcance de ninguna banda solo por ese hecho.
Métricas de esta categoría
| Métrica | Peso en la categoría |
|---|---|
| Bucle de verificación de IA | 40 % |
| Contexto para agentes de IA | 30 % |
| Legibilidad del código para IA | 15 % |
| Interfaces para IA | 15 % |
El bucle de verificación tiene el mayor peso porque es el quid del trabajo autónomo: un agente capaz de poner en marcha el proyecto, ejecutar las pruebas y comprobar su propio cambio es categóricamente más útil que uno que no puede. El contexto para agentes cubre los archivos de instrucciones (CLAUDE.md, AGENTS.md, …) y la documentación legible por máquinas (llms.txt). La legibilidad del código mide la verificabilidad de tipos y los tamaños de archivo manejables. Las interfaces buscan esquemas de API, servidores MCP y ejemplos ejecutables.
Honestidad de la medición
Las señales son heurísticas basadas en presencia y tamaño dentro del árbol de archivos — no se califica el contenido de ningún archivo. Muestran que la infraestructura existe, no lo buena que es. La sustancia se pondera allí donde resulta barato detectarla: un archivo de instrucciones por debajo de ~200 bytes se registra como esbozo y obtiene crédito parcial, una defensa específica contra la manipulación de la insignia.
Las métricas que no aplican producen null, nunca una penalización: un repositorio de solo documentación no se juzga por la legibilidad del código, y una biblioteca corriente sin superficie de API no se juzga por los esquemas de interfaz.
Cómo leer la insignia
- La insignia responde a una pregunta de adquisición genuinamente nueva — ¿puede un equipo dirigir agentes hacia esta base de código de forma productiva? — que las señales de salud clásicas nunca fueron diseñadas para capturar.
- Con el 4% del peso bruto — dentro de una curva de calibración que se satura en un valor bruto de 91 — la Preparación para IA puede empujar ligeramente el índice de salud, pero no puede decidir una calificación por sí sola: todas las bandas, incluido un 100/100, siguen siendo alcanzables con la categoría a cero.
Cómo mejorar la Preparación para IA
- Añadir un
CLAUDE.mdoAGENTS.mdsustantivo y unllms.txt. - Proporcionar un arranque con un solo comando (Makefile, justfile, …), pruebas automatizadas, configuración de lint y verificación de tipos — el bucle de verificación.
- Mantener los archivos fuente por debajo de ~1500 líneas y adoptar la verificación de tipos.
- Publicar esquemas OpenAPI/GraphQL/protobuf, un servidor MCP o ejemplos ejecutables allí donde encajen con la naturaleza del proyecto.
Relacionado: calidad de ingeniería · versiones de la metodología