Diecisiete desarrolladores. El mismo error. Diecisiete soluciones diferentes. Todas esperando revisión en el backlog de solicitudes de extracción de OpenClaw—y nadie sabía que estaban resolviendo el problema idéntico.

Es el tipo de caos que revela algo roto en el corazón del desarrollo moderno de código abierto. Y según un análisis innovador publicado hoy por VectorCertain LLC, esto no es un incidente aislado—es una crisis sistémica que le está costando al proyecto OpenClaw un estimado de 2,000 horas de tiempo de desarrollador desperdiciado.

Usando su plataforma de consenso de IA multimodelo patentada, VectorCertain analizó las 3,434 solicitudes de extracción abiertas en el repositorio de GitHub de OpenClaw—uno de los proyectos de IA más destacados del mundo con 197,000 seguidores. Los hallazgos son contundentes: el 20% de todas las contribuciones pendientes son duplicados, representando miles de horas de esfuerzo redundante que podrían haberse dedicado a la innovación en lugar de reinventar soluciones a problemas ya resueltos.

Lo que identificó el análisis de VectorCertain:

• 283 grupos de duplicados donde múltiples desarrolladores construyeron la misma corrección de forma independiente, desperdiciando un estimado de 2,000 horas de tiempo de desarrollo
• 688 PRs redundantes obstruyendo el flujo de revisión y consumiendo la escasa atención de los mantenedores
• 54 PRs marcados por desviación de visión—contribuciones que no se alinean con los objetivos del proyecto
• Correcciones de seguridad duplicadas de 3 a 6 veces cada una mientras vulnerabilidades conocidas permanecen sin parchear
• 17 soluciones independientes para un solo error de mensajería directa de Slack—el grupo de duplicación más grande jamás documentado

Y aquí está la parte notable: todo el análisis de VectorCertain—procesando 48.4 millones de tokens a través de tres modelos de IA independientes—costó solo $12.80 en cómputo y se ejecutó en aproximadamente ocho horas.

Los hallazgos de VectorCertain llegan en un momento crucial para OpenClaw. El 15 de febrero, el creador del proyecto, Peter Steinberger, anunció su partida a OpenAI y la transición del proyecto a una estructura de fundación. Al día siguiente, el mercado de habilidades ClawdHub sufrió una interrupción de la base de datos de producción. La respuesta pública de Steinberger fue directa: "las pruebas unitarias no son suficientes" para mantener la plataforma a escala.

El análisis de VectorCertain demuestra que tiene razón—pero muestra que el problema es aún más profundo que las pruebas.

"Las pruebas unitarias verifican que el código hace lo que un desarrollador pretendía", explica Joseph P. Conroy, fundador y CEO de VectorCertain. "El consenso multimodelo verifica que lo que el desarrollador construyó es lo correcto para construir. Estas son preguntas fundamentalmente diferentes, y los proyectos de código abierto a gran escala necesitan ambas."

Los desafíos de gobernanza de OpenClaw van más allá de los PRs duplicados. El proyecto ha enfrentado crecientes preocupaciones de seguridad, incluida la campaña ClawHavoc que identificó 341 habilidades maliciosas en su mercado y un informe de Snyk que encontró fallas en el manejo de credenciales en el 7.1% de las habilidades registradas. Mientras tanto, los envíos de PRs han superado enormemente la capacidad de revisión—más de 3,100 PRs pendientes en cualquier momento, a pesar de que los mantenedores fusionan cientos de confirmaciones diariamente.

Las 2,000 horas de tiempo de desarrollador desperdiciado identificadas por VectorCertain representan solo la punta del iceberg: horas ya perdidas, energía ya gastada y capacidad de mantenedor ya consumida revisando trabajo redundante.

La plataforma claw-review de VectorCertain no depende de un solo modelo de IA—usa tres modelos independientes (Llama 3.1 70B, Mistral Large y Gemini 2.0 Flash) que evalúan cada PR por separado, luego fusiona sus juicios usando votación de consenso. Es el mismo enfoque crítico para la seguridad utilizado en vehículos autónomos y sistemas de IA médica, ahora aplicado a la gobernanza de código abierto.

La tubería de descubrimiento funciona en cuatro etapas:

1. Extracción de Intención: Cada modelo analiza de forma independiente lo que un PR está tratando de lograr
2. Agrupación de Duplicados: Algoritmos basados en incrustaciones identifican contribuciones semánticamente similares
3. Clasificación de Calidad: Puntuación multidimensional con marcado de desacuerdo para revisión humana
4. Alineación de Visión: Verificación de conformidad con políticas contra la documentación del proyecto

¿El resultado? 15,000 llamadas a la API, 48.4 millones de tokens procesados, 8 horas de tiempo de ejecución y descubrimientos que habrían tomado a los mantenedores humanos meses para descubrir—todo por el precio de un almuerzo.

La herramienta claw-review utilizada para este análisis es de código abierto (Licencia MIT) y está disponible ahora en GitHub, permitiendo que cualquier proyecto realice análisis similares de sus propios repositorios. Pero las ambiciones de VectorCertain se extienden mucho más allá del análisis de solicitudes de extracción.

La plataforma empresarial de la compañía escala el enfoque de consenso multimodelo a dominios críticos para la seguridad, incluidos vehículos autónomos, ciberseguridad, atención médica y servicios financieros—soportando más de 20 modelos paralelos con fusión de consenso formal y garantías matemáticas de seguridad. Fundada por Joseph P. Conroy, un veterano de 25 años en desarrollo de IA crítica para la seguridad para agencias federales (EPA, DOE, DoD, NIH), VectorCertain posee una extensa cartera de patentes que cubre sistemas de conjuntos de IA y arquitecturas de consenso multimodelo.

El análisis exhaustivo del repositorio openclaw/openclaw examinó las 3,434 solicitudes de extracción abiertas usando tres modelos de IA: Llama 3.1 70B, Mistral Large y Gemini 2.0 Flash. La plataforma procesó 48.4 millones de tokens durante un tiempo de ejecución de ocho horas, con costos totales de cómputo de solo $12.80—lo que se traduce en $0.0037 por PR analizado. El análisis identificó 283 grupos de duplicados que representan 688 PRs redundantes (20% del backlog total) y un estimado de 2,000 horas de tiempo de desarrollador desperdiciado, con los PRs promediando una puntuación de calidad de 8.35 sobre 10.

• Panel Interactivo: jconroy1104.github.io/claw-review/dashboard.html
• Informe Completo: jconroy1104.github.io/claw-review/claw-review-report.html
• Herramienta de Código Abierto (Licencia MIT): github.com/jconroy1104/claw-review
• VectorCertain: vectorcertain.com

VectorCertain LLC es una corporación de Delaware con sede en Casco, Maine, pionera en tecnología de seguridad y gobernanza de IA a través de sistemas de consenso multimodelo. La compañía proporciona garantías matemáticas de certeza para la toma de decisiones de IA en dominios críticos para la seguridad, respaldada por una extensa cartera de patentes y décadas de experiencia de implementación en el mundo real en aplicaciones federales y comerciales.

Contacto para Medios

Joseph P. Conroy, Fundador & CEO
VectorCertain LLC
X: @JosephConroyJr | LinkedIn
Web: vectorcertain.com

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para Newsworthy.ai (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.