Por Favor, Dejen de Inundar los Proyectos de Código Abierto con Basura de IA
Neil Alexander, un mantenedor, está harto de las contribuciones generadas por IA destinadas a inflar los perfiles de GitHub. En un artículo titulado "Por favor, dejen de inundar nuestros proyectos con basura de IA para adornar su currículum", describe un patrón reciente: contribuidores sin participación previa que de repente envían PRs que corrigen la ortografía y la gramática en los comentarios. Claude hizo las correcciones, escribió las descripciones de las PRs e incluso firmó los commits, todo en un intento de construir un historial de contribuciones falso.
El problema: Manipular GitHub con LLMs
Alexander señala que las contribuciones al código abierto son una moneda para la búsqueda de empleo. El gráfico de actividad de GitHub, los avatares de los contribuidores y los feeds de seguidores refuerzan esto. Con LLMs como Claude, es trivial:
- Pedirle a Claude que liste proyectos de código abierto interesantes.
- Indicarle que encuentre problemas menores.
- Hacer que genere y envíe PRs automáticamente.
Esto crea una ilusión de participación sin ningún esfuerzo o cuidado real. El contribuidor en cuestión no había tenido prácticamente actividad en GitHub desde finales de 2018, y de repente abrió tres PRs de corrección de erratas, todas creadas por IA.
Respuesta del mantenedor: Cerrar PRs sin comentarios
Alexander cerró las tres PRs sin comentarios. Su razonamiento: "Simplemente no me interesa animar a la gente a que nos haga perder el tiempo con este tipo de trabajo inútil. No quiero sentar un precedente de aceptar PRs que no mejoran nada materialmente, ni quiero que nuestra lista de contribuidores se convierta en una recompensa por pedirle a un robot que corrija erratas."
La misma tendencia está afectando a los informes de seguridad. Informes de vulnerabilidades generados por IA llegan en masa, a menudo con correcciones propuestas. Ahora se están acreditando CVEs a personas que no hicieron investigación real. El equipo de Alexander se ha vuelto más selectivo, a veces rechazando avisos de CVE para problemas de baja gravedad.
Un llamado a la contribución genuina
El mensaje de Alexander es directo: "El código abierto se basa en la confianza. La métrica que importa no es cuántas pull requests puedes persuadir a un LLM para que produzca, ni cuántos CVEs puedes acumular, sino si puedes hacer que un proyecto sea significativamente mejor. Si quieres contribuir a proyectos de código abierto, contribuye porque te importa. Si todo lo que quieres es otro cuadrado verde u otra insignia de contribuidor, ve a otro lado."
Para los desarrolladores que usan agentes de IA, esto es una historia de advertencia: usa la IA como una herramienta, no como un sustituto del compromiso genuino. Los mantenedores valoran el contexto real y la inversión por encima del trabajo automatizado sin sentido.
📖 Lee la fuente completa: HN AI Agents
👀 Ver también

Acuerdo de Clearview AI de CBP: reconocimiento facial para la identificación táctica.
La Oficina de Aduanas y Protección Fronteriza de EE. UU. ha contratado a Clearview AI para la orientación táctica, utilizando tecnología de reconocimiento facial en miles de millones de imágenes extraídas de internet.

Claude Sonnet 4.6 supera a Opus 4.6 en rendimiento en el benchmark de prompts
Un usuario de Reddit presentó un prompt complejo tanto a Sonnet 4.6 como a Opus 4.6; el modelo Sonnet produjo una respuesta superior evaluada por creatividad y requisitos ocultos.

Punto de Referencia de Estrategias de Comercio: Modelos de IA Más Económicos Superan a Claude Opus 4.6
Una prueba comparativa evaluó a 10 LLMs en el desarrollo de estrategias de trading, donde modelos más económicos como Minimax 2.5 y Gemini 3.1 superaron a Claude Opus 4.6 a pesar de su costo 10 veces mayor. El experimento se ejecutó tres veces con resultados consistentes.

Encíclica del Papa León XIV sobre la IA: Puntos Clave para Desarrolladores
El Vaticano publicó una encíclica sobre ética en inteligencia artificial. El documento destaca problemas de interpretabilidad de los LLM, sesgos culturales en los datos de entrenamiento y el costo ambiental de la IA.