El 8 de septiembre de 2026, OpenHands lanzó su versión 1.0. No es el primer agente de código autónomo del mercado, pero sí el primero open-source en llegar a producción con las salvaguardas que hacen que un equipo de ingeniería lo adopte sin que el head of security empiece a hacer preguntas. Eso es más difícil de lograr de lo que parece.
El benchmark que circuló primero fue 68% en SWE-bench Verified — el porcentaje de tareas reales de repositorios de GitHub que el agente resolvió solo, sin intervención humana. Para ubicar la escala: Devin 2.0, cuando se presentó como el primer AI software engineer, reportó 46.8% en el mismo benchmark. OpenHands, libre, lo supera. Y eso es con modelos hospedados como Claude o GPT; con Devstral 24B open-weight el número baja al 46.8% pero los datos no salen de tu infraestructura.
Qué es OpenHands (y qué no es)
OpenHands es un framework open-source para agentes que trabajan en código: clonan repos, leen archivos, ejecutan comandos en la terminal, proponen cambios y hacen commits. Nada de eso cambió en la versión 1.0. Lo que cambió es la capa alrededor: cómo se aísla el agente del sistema del host, qué políticas controlan lo que puede hacer, y cómo se extiende el sistema sin tocar el core.
Lo que no es: un reemplazo del equipo de desarrollo. Estos agentes funcionan bien cuando la tarea tiene alcance claro — bugs con pasos de reproducción definidos, migraciones de dependencias conocidas, refactors repetitivos que alguien ya hizo antes. Cuando el problema requiere entender el contexto de negocio, hablar con stakeholders o tomar decisiones de arquitectura, el agente se queda corto. Eso no es un defecto del producto; es el estado actual del campo. Lo honesto es reconocerlo antes de empezar.
Lo que trae la versión 1.0
El cambio central es el Docker sandboxing nativo. Antes de la versión 1.0, correr OpenHands localmente significaba que el agente ejecutaba código con los permisos de tu usuario — un bug en el agente o un script con side effects podía afectar tu sistema. Con 1.0, cada sesión corre en un contenedor Docker aislado. La CPU, la memoria y el acceso a red tienen límites configurables antes de que empiece cualquier ejecución.
- ▸Docker sandboxing production-ready — cada sesión en un contenedor aislado del sistema host
- ▸Políticas de seguridad integradas — define qué herramientas tiene disponibles el agente antes de lanzar la sesión
- ▸Límites de recursos configurables — CPU, memoria y red por tarea
- ▸Sistema de plugins — extensible sin modificar el core del framework
- ▸68% en SWE-bench Verified con modelos top (Claude, GPT-6 Astra) — el benchmark estándar para agentes de código
- ▸OpenHands + Devstral 24B (open-weight): 46.8% en SWE-bench sin depender de modelos propietarios ni APIs externas
El sistema de plugins es el que más impacto tiene a largo plazo. Significa que la comunidad puede construir integraciones con tu suite de testing, tu observability stack o tus APIs internas sin esperar al roadmap del equipo de OpenHands. Al momento del lanzamiento ya hay plugins para pytest, GitHub Issues y Jira.
El costo real: ¿cuánto sale correrlo?
Las cifras que publicó el equipo: entre $0.20 y $1.05 por tarea resuelta, usando hardware H100. Eso cubre el compute del sandbox; el costo del API del modelo (Claude, GPT-6 Astra, Gemini) va encima. Para tareas que un dev junior tardaría 30-45 minutos en resolver, los números cierran si el volumen es alto. Para tareas esporádicas y de alto contexto, probablemente no — y está bien saber eso antes de comprometerse con la infraestructura.
La opción con Devstral 24B de Mistral — open-weight, sin datos que salen de tu infraestructura — llega al 46.8% en SWE-bench. No es el 68% de la configuración top, pero para entornos donde los datos no pueden ir a APIs externas (banca, salud, defensa), es la opción más viable que existe en open-source hoy. Si puedes correr los pesos en tus propios GPUs, el costo del modelo desaparece del todo.
Cómo encaja OpenHands con tu stack de agentes
OpenHands no requiere que reemplaces nada de lo que ya tienes. Puedes conectarlo al LLM que ya uses, integrarlo vía GitHub Actions o como paso en tu pipeline de CI/CD, y configurar permisos de acceso a repos desde el principio. Si ya tienes orquestación con LangGraph, OpenHands puede funcionar como uno de los nodos — el que ejecuta código y reporta los resultados al orquestador.
Una forma práctica de calibrar sin configurar todo el stack: el equipo tiene un modo de demo que carga un repo público de GitHub, muestra la lista de issues abiertos y deja que veas al agente trabajar en uno. Es la manera más rápida de entender qué tipo de tareas delegar y cuáles todavía necesitan revisión humana constante.
Lo que cambia para los AI Engineers en 2026
Si ya construyes agentes con LangGraph o CrewAI, OpenHands 1.0 te da algo valioso: una referencia concreta de cómo se ve el sandboxing, las políticas de seguridad y los límites de recursos en un sistema de producción real. Las mismas decisiones que tienes que tomar cuando diseñas un agente que va a ejecutar código en entornos de clientes. Vale la pena leer el código del core — especialmente cómo resuelven el action loop y el manejo de errores cuando el agente queda atascado.
Para CTOs y tech leads que evalúan si adoptar herramientas así: el modelo open-source elimina el principal bloqueador que tienen los equipos de seguridad. Puedes auditar el código, ajustar las políticas internas y self-hostearlo sin depender de ningún vendor para los updates. En este espacio — donde la mayoría de los agentes de código son SaaS cerrados — eso cambia la conversación sobre viabilidad corporativa.
Cómo prepararte para construir agentes de código en producción
Usar OpenHands es útil. Saber construir sistemas equivalentes — con control total sobre el loop de acción, la memoria entre pasos, los mecanismos de error y los checkpoints de revisión humana — es la diferencia entre usar una herramienta y saber qué pasa cuando falla. En la ruta AI Agentic Engineer de DataPath aprendes exactamente eso: desde la arquitectura de sistemas multi-agente hasta el deploy con las salvaguardas que los hacen viables en producción. Si quieres ir directo al framework, el curso de Creación de Agentes con LangGraph cubre los patrones de orquestación y sandboxing que usa cualquier sistema como OpenHands.
También puedes explorar la oferta completa de cursos de agentes e IA en DataPath para encontrar el punto de entrada que corresponde a tu nivel actual.
Si quieres experimentar con herramientas como OpenHands junto a otros que están construyendo lo mismo, cada semana hacemos talleres en vivo sobre frameworks de agentes en la Comunidad AI Builders. Desde 19 USD al mes, sin compromiso largo. Es el escalón natural entre leer sobre un lanzamiento y construir algo funcional con él.
