Asana retira Enzyme en dos semanas con agentes de Codex

Asana llevaba desde 2022 trasladando sus pruebas de interfaz desde Enzyme a React Testing Library. Había dedicado varios proyectos que sumaban años-persona de ingeniería y, al ritmo restante, calculaba otros cinco años. Este verano cambió el método: lanzó hasta cuatro agentes de Codex en paralelo, revisó el trabajo por la mañana y por la noche y eliminó Enzyme en una semana y media de esfuerzo, repartida entre dos semanas naturales.

Es un resultado de producción, no una demostración sobre un repositorio de juguete. También llega envuelto en una cifra que pide cuidado. Asana atribuye unos 11.000 dólares al uso de modelos y 1.000 a infraestructura; contrapone esos 12.000 dólares a una estimación de seis millones para mantener tres ingenieros sénior dedicados durante cinco años. No gastó seis millones y luego los recuperó, ni los 12.000 incluyen todo el trabajo humano y organizativo que hizo posible la ejecución. La comparación es un escenario contrafactual de la propia empresa.

La evidencia útil está debajo del cociente publicitario. Un agente general pudo leer una base de código grande y privada, imitar convenciones existentes, ejecutar comprobaciones y sostener una transformación repetitiva hasta que una dependencia obsoleta desapareció por completo. Eso amplía el tipo de deuda técnica que merece siquiera entrar en una planificación.

Cinco frases apoyadas en cuatro años de contexto

La instrucción cabía en cinco frases: migrar los archivos de un directorio que usaran Enzyme, seguir las prácticas del repositorio, probar los cambios y empezar por los casos fáciles. Cada agente trabajó sobre un directorio distinto y una copia separada del código. Los ingenieros mantenían las sesiones activas día y noche, comprobaban el progreso dos veces al día y revisaban las propuestas antes de integrarlas.

Asana probó mecanismos más elaborados —tickets, un archivo de notas, más subagentes y una guía extensa de convenciones— y dice que casi todos empeoraron el resultado. Eso no demuestra que los planes o la documentación perjudiquen en general. Explica algo más concreto: la información relevante ya estaba expresada en pruebas modernas, utilidades bien diseñadas y patrones locales. Añadir una segunda descripción podía competir con la fuente de verdad que el agente tenía delante.

El trabajo estaba además muy bien delimitado. «No quedan usos de Enzyme» ofrecía una condición de salida que una búsqueda podía comprobar. El tipado, el lint, las pruebas y la integración continua convertían muchos errores en señales rápidas. Cuando la documentación reciente recomendaba aún el patrón antiguo o una comprobación tardaba más de diez minutos y fallaba de forma intermitente, los agentes tropezaban. El caso no dice sólo que el modelo escribió deprisa: dice que la velocidad dependió de la legibilidad y de los bucles de verificación del repositorio.

Ésa es también la tesis del experimento de ingeniería de OpenAI con Codex: instrucciones cortas como mapa, conocimiento versionado cerca del código y restricciones convertidas en herramientas ejecutables. Pero hay una diferencia importante. OpenAI construyó desde cero un repositorio pensado para agentes. Asana heredó años de código humano, reglas contradictorias y una migración ya empezada. Que el método funcionara allí aporta evidencia más cercana al trabajo que muchas organizaciones tienen pendiente.

El precedente impide llamar a esto magia

Asana no es la primera empresa que automatiza esta misma transición. Airbnb había descrito una migración de casi 3.500 archivos de pruebas de Enzyme a React Testing Library. La completó en seis semanas frente a una previsión manual de año y medio. Su sistema era más especializado: dividía cada archivo en etapas, reintentaba con los errores de Jest, lint y TypeScript, y llegaba a incluir entre 40.000 y 100.000 tokens de ejemplos y archivos relacionados. Automatizó el 75% en la primera ejecución masiva, alcanzó el 97% tras cuatro días de ajuste y terminó manualmente el resto.

No se deben convertir esas duraciones en una carrera. Asana no publica cuántos archivos, pruebas, solicitudes de cambio o líneas migró; Airbnb no usó el mismo repositorio, modelo ni criterio de finalización. La comparación sí muestra un cambio de método. En 2024 hizo falta construir una tubería específica y ajustar sistemáticamente su larga cola. En el relato de Asana de 2026, agentes de propósito general hicieron la navegación y la reparación iterativa a partir del entorno normal del proyecto, con mucha menos orquestación explícita.

Tampoco era un reemplazo textual trivial. La guía de Testing Library explica que no existe una correspondencia uno a uno: Enzyme permite inspeccionar detalles internos y renderizar componentes de forma aislada, mientras que React Testing Library orienta las pruebas hacia lo que una persona ve y hace. Una conversión puede compilar y aun así conservar la aserción equivocada, reducir cobertura o fijar un comportamiento accidental. Por eso importan las pruebas existentes, la revisión humana y lo que no se ha publicado.

Asana y OpenAI son socios en este trabajo, la base de código es privada y no hay un informe independiente. Las fuentes no identifican el modelo fronterizo exacto, el número de intentos rechazados, las horas de revisión, la cobertura antes y después ni los defectos detectados tras integrar la migración. Afirman que Enzyme desapareció y que cada cambio propuesto fue revisado, pero no ofrecen un artefacto con el que reproducir la ejecución. El caso es evidencia operacional atribuida, no un benchmark controlado.

Mi lectura es que la conclusión importante no es que cinco años hayan pasado a costar 12.000 dólares. Es que el precio de intentar ciertos trabajos aplazados ha caído. Migraciones mecánicas, modernizaciones de API y limpiezas de deuda tienen objetivos que se pueden dividir, ejemplos abundantes y verificadores baratos. Antes podía ser racional tolerar el lastre durante años; ahora puede ser racional lanzar un piloto acotado y dejar que la evidencia decida.

Eso cambia también dónde se acumula el valor. Las convenciones claras, las pruebas rápidas y fiables y la documentación que coincide con el código dejan de ser sólo comodidad para humanos: se convierten en capital que muchos agentes pueden reutilizar a la vez. La deuda de conocimiento —reglas obsoletas, decisiones encerradas en conversaciones, comprobaciones frágiles— se vuelve, por el contrario, un límite directo a la automatización.

Para generalizar el resultado haría falta una contabilidad menos espectacular y más útil: tamaño y dificultad del inventario inicial, horas humanas totales, coste de inferencia, tasa de propuestas descartadas, cobertura semántica y defectos observados durante varios meses. Mientras no exista, conviene tratar Asana como un caso bien elegido, no como una nueva tarifa universal del software. Aun con ese límite, ya desplaza una pregunta práctica. Ante una migración perfectamente verificable, estimar primero cinco años de trabajo humano sin probar un agente empieza a parecer una hipótesis incompleta.

Fuentes

• Asana Engineering, We migrated off Enzyme in 2 weeks. It was supposed to take five years, 7 de agosto de 2026.
• OpenAI, Asana cleared 5 years of engineering work in 2 weeks with Codex, 18 de agosto de 2026.
• Airbnb Engineering, Accelerating Large-Scale Test Migration with LLMs, consultado el 22 de agosto de 2026.
• OpenAI, Harness engineering: leveraging Codex in an agent-first world, 11 de febrero de 2026.
• Testing Library, guía de migración desde Enzyme, consultada el 22 de agosto de 2026.