Revisión de código con IA: el límite es el cómputo
Una revisión de código con IA no se cuelga por el modelo: se queda esperando cómputo. En GitLab el revisor es un job de CI/CD que necesita un runner etiquetado gitlab--duo con un executor capaz de levantar imágenes Docker. En Azure Repos compite por los parallel jobs de la organización. En Bitbucket Data Center no hay runner propio: la ejecución queda en manos del servidor de build que ya estés operando. Esa diferencia —cuánto control tenés sobre la cola— define si el comentario llega a tiempo o directamente no aparece.
En este artículo:
- ¿Qué es la revisión de código con IA dentro de un pipeline de CI/CD?
- ¿Por qué el revisor de IA no comenta en un merge request de GitLab?
- ¿Cuántos parallel jobs necesita Azure Pipelines para correr un revisor de IA?
- Bitbucket Data Center: ¿qué ejecuta la revisión si no hay runners propios?
- Revisor self-hosted: qué cambia cuando el cómputo es tuyo
- ¿Cómo saber si la revisión tarda por falta de cómputo y no por el modelo?
- Fuentes
¿Qué es la revisión de código con IA dentro de un pipeline de CI/CD?
Es un paso automatizado que analiza el diff de un pull request y publica comentarios como si fuera un revisor humano. En GitLab y en Azure Repos ese paso corre como un job de pipeline, así que consume la misma capacidad que los builds y despliegues; en Bitbucket Data Center no existe un runner nativo y la revisión se apoya en Bamboo, Jenkins o el build server que ya tengas. El modelo decide la calidad del comentario; la cola decide si el comentario existe.
Casi todas las comparativas de herramientas de revisión discuten modelos, prompts y hallazgos. La nota técnica publicada este 16 de noviembre en dev.to plantea el ángulo inverso: en dos de las tres plataformas el revisor es, literalmente, un job más, y lo que lo limita es la cola de cómputo. Vale la pena separar qué está documentado por cada proveedor y qué proviene de esa nota, porque las consecuencias prácticas son distintas. En una comparativa detallada entre Microsoft y GitHub profundizamos en esto.
¿Por qué el revisor de IA no comenta en un merge request de GitLab?
Porque el job nunca arrancó. El flujo de revisión de GitLab corre como job de CI/CD y requiere un runner con el tag gitlab--duo; los runners administrados por GitLab están disponibles en GitLab.com y GitLab Dedicated, así que una instancia self-managed tiene que aportar el suyo. Si ningún runner coincide con el tag, el job no se ejecuta, no se publica nada en el merge request y no aparece ningún error donde el revisor lo buscaría: un MR sin comentarios de un revisor que nunca corrió se ve idéntico a uno que leyó y no tenía nada para decir.
Ese modo de falla silencioso es lo primero que conviene descartar en una instancia self-managed, antes de revisar licencias, selección de modelo o configuración de grupo. Y después viene la configuración fina del runner, que también produce síntomas confusos:
- La clave
concurrentdeconfig.tomllimita cuántos jobs corren a la vez en todos los runners registrados; loslimitpor runner solo pueden bajar ese techo. - El valor
0está prohibido: el proceso del runner sale con error crítico. check_intervalviene en 3 segundos yrequest_concurrencyen 1, que es la cantidad de conexiones simultáneas para pedir jobs.- El aviso a buscar en los logs es
CONFIGURATION: Long polling issues detected, típico cuandoconcurrentes menor a la cantidad de runners registrados o cuando los runners quedan enrequest_concurrency=1mientras GitLab Workhorse mantiene los long polls abiertos (apiCiLongPollingDuration, 50 segundos por defecto). El flag de concurrencia adaptativa viene activado, pero se limita al valor configurado: en 1 no cambia nada.
El síntoma resultante es que los jobs de algunos proyectos arrancan al instante y otros esperan la ventana de long poll, lo que en un pool compartido parece latencia aleatoria. Ampliar capacidad en GitLab, según la misma nota, es una decisión de hardware: registrar más runners, subir concurrent y subir request_concurrency en los de alto volumen, sin medidores ni cobro por job concurrente. Los datos de versiones y licenciamiento que menciona la fuente (disponibilidad general del flujo en GitLab 18.8, créditos desde 18.10, comportamiento de aprobación detrás de un flag en la línea 19.5) conviene contrastarlos con la documentación oficial de GitLab antes de planificar un rollout. Relacionado: guía para conectarte por SSH a una VM de Azure.
¿Cuántos parallel jobs necesita Azure Pipelines para correr un revisor de IA?
Depende de cuántos builds simultáneos ya consuma la organización, porque Azure Pipelines cobra por concurrencia y no por agentes, y el presupuesto vive a nivel organización: lo comparten todos los pipelines de todos los proyectos. El revisor no tiene una cuota propia; hace cola junto a los builds. La regla de Microsoft que cita la fuente —un parallel job cada cuatro o cinco usuarios— sirve como punto de partida, no como plan.
Los números que documenta la fuente: el nivel gratuito Microsoft-hosted para proyectos privados da un job de hasta 60 minutos por ejecución con techo mensual de 1.800 minutos; el nivel pago sube el límite por job a 360 minutos sin tope mensual; las organizaciones nuevas quedan topeadas en 25 parallel jobs Microsoft-hosted salvo que soporte lo amplíe. Con agentes self-hosted podés registrar todos los que quieras, pero el billing cuenta jobs concurrentes y no agentes, y no hay límites de tiempo por job.
Hay un detalle que sorprende en pleno rollout: comprar el primer parallel job no te da dos carriles, solo quita los límites de tiempo del único que ya tenías. La concurrencia sigue en 1 hasta que se compra un segundo. Para diagnosticar saturación existe el pool consumption report, que grafica jobs en ejecución, jobs en cola y agentes online sobre 30 días con granularidad de 10 minutos; está disponible en Azure DevOps Services, no en Server, y requiere membresía de Project Collection Administrator. Por esa agregación, la línea de ejecución puede verse por encima de tu límite en ráfagas de jobs cortos: para detectar backlog real hay que leer la línea de cola. Te puede servir nuestra guía de certificaciones Azure 2026 por roles.
Si además el merge se gatea con el resultado del revisor, la cola deja de ser una demora y se vuelve un bloqueo de pull request. Ese trade-off se configura en la política de status check, y es la decisión que más conviene discutir antes de comprar capacidad.
Por qué Copilot code review no deja comentarios en un pull request de Azure Repos
Las causas documentadas por Microsoft son de habilitación, no de cómputo. La función se activa en tres niveles —un Project Collection Administrator la habilita para la organización, un Project Administrator administra los valores por proyecto y el dueño del repositorio la prende en cada repositorio— y el revisor aparece en la lista de revisores recién cuando los tres están en orden. Además, la revisión automática es una política de rama aparte: habilitar la función la deja disponible, pero no la dispara sola. Copilot siempre deja un comentario y nunca aprueba ni solicita cambios, así que no satisface políticas de revisores obligatorios ni bloquea el merge.
Según la documentación de Microsoft a noviembre de 2026, sigue marcada como versión preliminar pública, para Azure DevOps Services y con Azure Pipelines como requisito: los grupos de agentes autohospedados y Managed DevOps Pools no se admiten al 2026-11-16. También hay límites de la preview (repositorios de hasta 10 GB, hasta 100 archivos modificados, sin conflictos de fusión, pull request activo) y un nivel de esfuerzo configurable como default por proyecto y por repositorio, que consume más tokens cuanto más alto. Es decir: si tu equipo corre todo sobre agentes propios, la función queda directamente fuera de alcance, y la ruta documentada por la fuente es un revisor como PR-Agent montado en el pipeline. Tema relacionado: revisión de código con IA en entornos air-gapped.
Bitbucket Data Center: ¿qué ejecuta la revisión si no hay runners propios?
El build server que ya tenés. Bitbucket Data Center no trae build agent ni modelo de concurrencia propio: se integra con Bamboo o Jenkins, y el estado de build también se puede publicar desde cualquier herramienta vía REST. La pregunta de cómputo, entonces, es sobre los agentes de tu build server y sobre la carga de polling y clonado que aguanta la instancia.
La puerta de merge es donde el forge sí tiene opinión. El check de builds requeridos pide Bamboo 7.1 o superior, o Bitbucket Integration Plugin 2.0.0 o superior, y trabaja con build keys y no con nombres de herramienta: PROJ-COREBUILDS para un plan de Bamboo, PROJ/COREBUILDS para una ruta de carpeta de Jenkins. Para que esa clave se pueda seleccionar en el campo de builds, algo tiene que haber guardado el estado vía build status endpoint con el campo Parent presente en el cuerpo. Una integración que comenta pero nunca publica un estado con parent simplemente no aparece entre los builds exigibles.
La segunda puerta es el merge check de Code Insights, que puede exigir un reporte nombrado y fallar el merge según sus anotaciones, con una limitación incómoda: solo bloquean cuando están sobre el diff. Una anotación en un archivo sin cambios, o fuera de las líneas modificadas, no bloquea nada. Del lado de la carga, el SCM Cache Plugin —configurable por REST o por bitbucket.properties— reduce el fan-out de clones idénticos y se desactiva solo cuando el disco libre baja del mínimo configurado; un detalle fácil de pasar por alto es que los cachés de Git wire protocol v1 y v2 no son intercambiables, así que una flota mixta de clientes baja la eficiencia y sube el uso de disco.

Revisor self-hosted: qué cambia cuando el cómputo es tuyo
PR-Agent corre como job de pipeline o detrás de un webhook, así que en Bitbucket DC igualmente presta tu build server. Kodus funciona como stack de contenedores propio contra tu proveedor de LLM o tu propia API key: elimina la dependencia del runner del forge y suma sus propios modos de falla. El worker necesita WORKER_ROLE seteado o crashea al arrancar y, como crea las colas en el primer connect, un rol sin definir deja la API y los webhooks fallando cada evento con QueueBind 404; RabbitMQ es requisito en el stack 2.0 y los webhooks los sirve un proceso aparte en su propio puerto. El intercambio es claro: cambiás un tag de runner y una ruta de licenciamiento por una pila de contenedores que tenés que mantener sana.
| Ruta | Qué ejecuta la revisión | Control de capacidad | Síntoma cuando falta capacidad |
|---|---|---|---|
| GitLab, Code Review Flow self-managed | Job de CI/CD en runner con tag gitlab--duo y executor Docker | concurrent, limit por runner, request_concurrency | El job no corre, no hay comentario y no hay error en el MR |
| GitLab hosted runners | Runners administrados por GitLab, solo GitLab.com y Dedicated | No lo configurás vos | No aplica en self-managed |
| Azure Repos, Copilot code review o PR-Agent | Job de pipeline en agentes Microsoft-hosted o self-hosted | Parallel jobs a nivel organización, compartidos con todos los builds | La revisión espera en la misma cola que builds y despliegues |
| Bitbucket DC con revisor detrás de un build | Bamboo, Jenkins u otro build server que publica estado | Pool de agentes de tu build server | No hay estado bajo la clave exigida, así que no hay check que atar |
| Kodus self-hosted | Contenedores propios, rol de worker, RabbitMQ, tu clave de LLM | Concurrencia del worker y límites de tu proveedor de LLM | Crash del worker o QueueBind 404 si falta WORKER_ROLE |
¿Cómo saber si la revisión tarda por falta de cómputo y no por el modelo?
Se miden dos tramos por separado: cuánto tarda el job en arrancar desde el último push y cuánto tarda en publicar el primer comentario. Una revisión que arranca 30 segundos después del push y termina en dos minutos está sana; una que arranca 20 minutos después tiene un problema de capacidad, y ningún ajuste de prompt lo va a arreglar.
El instrumento cambia según la plataforma: en GitLab son las líneas de log del runner y el aviso de long polling; en Azure Repos es la línea de cola del pool consumption report; en Bitbucket DC es la profundidad de cola del lado de Bamboo o Jenkins, que el forge nunca ve. Hay una razón de fondo para mirarlo ahora: los jobs de revisión escalan con la cantidad de merge requests y commits, y los cambios generados por agentes suelen llegar con más commits por pull request que los humanos. El cómputo es el tercer presupuesto, después de las cuotas por plataforma y de los rate limits de API, y en GitLab y Bitbucket DC se paga en hardware y no en licencias.
Como criterio de verificación —propuesta editorial nuestra, no dato de las fuentes—, antes de tocar prompts conviene registrar durante una semana, para una muestra de diez merge requests, tres marcas de tiempo: último push, arranque del job y primer comentario publicado. Si la brecha entre el push y el arranque supera de forma sostenida los cinco minutos, el cuello está en la cola. Si esa brecha es corta y la demora aparece después del arranque, entonces sí vale la pena revisar alcance de archivos, esfuerzo de revisión y tamaño del diff. Ninguna de las dos mediciones por separado permite concluir que la herramienta “revisa mal”: solo indican dónde intervenir.
Fuentes
- Emil Reiter, «An AI reviewer is a CI job: review compute on GitLab, Azure Repos and Bitbucket DC», dev.to, 16 de noviembre de 2026: dev.to/emilreiter/an-ai-reviewer-is-a-ci-job-review-compute-on-gitlab-azure-repos-and-bitbucket-dc-2ej9
- Emil Reiter, «Cutting pull request review time with AI: GitLab, Azure Repos, Bitbucket», dev.to, 28 de octubre de 2026: dev.to/emilreiter/cutting-pull-request-review-time-with-ai-gitlab-azure-repos-bitbucket-5b0b
- Microsoft Learn, «Introducción a la revisión de código de Copilot para solicitudes de incorporación de cambios»: learn.microsoft.com/es-es/azure/devops/repos/git/copilot-code-reviews
- Azure DevOps Blog, «Copilot code reviews for Azure Repos – public preview»: devblogs.microsoft.com/devops/copilot-code-reviews-for-azure-repos-public-preview
- Azure DevOps Blog, «Updates to Copilot code reviews for Azure Repos»: devblogs.microsoft.com/devops/updates-to-copilot-code-reviews-for-azure-repos






