Por qué la IA no ha reemplazado a los ingenieros de software, y no lo hará

Artículo original ↗ Discusión en Hacker News ↗

Las herramientas y agentes de programación con IA están acelerando rápidamente la creación de software, permitiendo que personas sin formación técnica lancen aplicaciones y que equipos pequeños o desarrolladores individuales hagan lo que antes requería grupos más grandes. Los comentaristas sostienen que esto automatiza sobre todo la capa de “ejecución” del desarrollo, mientras que los problemas difíciles como decidir qué construir, asegurar la corrección, manejar casos límite, seguridad, mantenimiento y responsabilidad siguen exigiendo experiencia humana, aunque probablemente de menos ingenieros y más capaces. Hay amplio acuerdo en que muchos roles de baja cualificación o de simple “movimiento de tickets” se verán presionados y que el trabajo de software se mercantilizará aún más, pero existe un fuerte desacuerdo sobre hasta qué punto la demanda de software podrá crecer para compensar las pérdidas de empleo.

Capacidades y límites de la programación con LLM

  • Los LLM ahora pueden montar aplicaciones completas (web, móvil, infraestructura como código) y encargarse de tareas no triviales (ingeniería inversa de firmware, scripts de seguridad, Terraform/Ansible, Frida, etc.).
  • Destacan en el código repetitivo, el cableado y los problemas de backend “con forma de texto”; son mucho más débiles en UX matizada, gusto visual y casos límite.
  • Los modelos siguen cometiendo errores lógicos básicos (por ejemplo, ordenar fechas como cadenas) y perseguirán con seguridad rutas incorrectas sin darse cuenta.
  • Un uso eficaz requiere una fuerte guía humana, pruebas y revisión; el “vibecoding” sin guía produce grandes volúmenes de código frágil y de baja calidad.

Greenfield vs mantenimiento y complejidad

  • Para desarrolladores individuales y equipos muy pequeños, los LLM hacen viables proyectos de 50–100k líneas de código que antes eran imposibles; el tiempo pasa de teclear a planificar, leer y hacer QA.
  • En sistemas más grandes (muchos ingenieros, cientos de funciones), la complejidad, el acoplamiento y las restricciones invisibles dominan. Los LLM aún no gestionan bien esto.
  • Los prototipos greenfield son en gran medida automatizables; el mantenimiento a largo plazo, la integración con sistemas heredados y la seguridad siguen siendo difíciles y muy intensivos en trabajo humano.

Reemplazo vs aumento

  • Algunos informan de un reemplazo concreto de “varios desarrolladores” en pequeñas startups y proyectos personales; otros sostienen que se trata de proyectos completamente nuevos que nunca habrían contratado ingenieros.
  • Muchos ven la IA como un multiplicador de fuerza: un buen ingeniero + agentes pueden reemplazar a un equipo mucho más grande y mediocre, especialmente en proyectos nuevos.
  • Consenso: los desarrolladores débiles o “movedores de tickets” son los más expuestos; los ingenieros fuertes que pueden especificar, revisar, depurar y diseñar alrededor de agentes ganan apalancamiento.

Decisión, conocimiento de dominio y responsabilidad

  • El valor central se desplaza hacia:
    • Decidir qué construir (pensamiento de producto, conocimiento de dominio).
    • Verificar y ser responsable de lo que se entrega (pruebas, seguridad, cumplimiento).
    • Entender el código y el contexto del negocio lo bastante a fondo como para navegar los trade-offs.
  • El personal no técnico ya está construyendo herramientas internas con IA, pero rápidamente topa con muros de complejidad y se convierte, de facto, en desarrolladores insuficientemente formados.
  • Las organizaciones siguen necesitando un “chivo expiatorio” humano y aún no pueden descargar en la IA la responsabilidad legal/operativa; los proveedores no ofrecen garantías de responsabilidad.

Efectos económicos y en el mercado laboral

  • Algunos esperan un momento “impresora 3D/CNC”: muchas más herramientas pequeñas y a medida, menos puestos tradicionales de desarrollo, menor salario medio, mayor salario para los mejores.
  • Otros señalan patrones históricos: la automatización tiende a expandir la demanda total de software, no a reducirla, aunque cambian roles y títulos concretos.
  • Preocupa que la IA mercantilice la programación, vacíe los roles de nivel medio y concentre las recompensas en un conjunto más pequeño de “pastores de IA” de alta cualificación.