La gestión eficiente del código fuente es un pilar en el desarrollo moderno, y los commits convencionales han demostrado ser una práctica valiosa para mantener la trazabilidad y facilitar la automatización. Sin embargo, clasificar estos mensajes de forma manual o con modelos entrenados requiere un esfuerzo considerable en la creación y mantenimiento de datasets etiquetados. Una alternativa emergente consiste en utilizar grandes modelos de lenguaje (LLMs) mediante ingeniería de prompts, evitando así el costoso proceso de fine-tuning. Esta aproximación permite evaluar la intención de un commit directamente sobre el diff del código, aplicando estrategias como zero-shot, few-shot o chain-of-thought. Los resultados experimentales muestran que el prompting con pocos ejemplos (few-shot) alcanza una precisión destacable, mientras que la cadena de pensamiento no aporta beneficios adicionales para esta tarea concreta. Además, modelos de mayor escala, como DeepSeek-R1-32B, logran un mejor rendimiento, lo que sugiere que el tamaño del modelo influye significativamente en la capacidad de comprensión contextual. En equipos que desarrollan aplicaciones a medida, esta técnica puede integrarse en flujos de integración continua para validar automáticamente la calidad de los commits, reduciendo la carga operativa y mejorando la coherencia del repositorio. En Q2BSTUDIO, donde combinamos inteligencia artificial con servicios cloud AWS y Azure, exploramos enfoques como estos para optimizar procesos de desarrollo. La posibilidad de clasificar commits sin necesidad de infraestructura de aprendizaje profundo abre la puerta a que más equipos adopten prácticas de IA para empresas sin inversiones masivas. Además, esta metodología se alinea con otros ámbitos como la ciberseguridad, donde los agentes IA pueden analizar cambios sospechosos en el código, o la inteligencia de negocio, donde herramientas como Power BI se nutren de metadatos bien estructurados. En definitiva, la combinación de commits convencionales y LLMs representa un avance práctico para cualquier organización que busque automatizar tareas de mantenimiento de software con recursos mínimos.