Cobramos $10k por semana por borrar código generado por IA
Modelo de negocio: servicio de refactorización “Slopfix”
- Servicio: compromisos de una semana, tres ingenieros sénior, unos ~$10k, centrado en borrar y refactorizar código “slop” generado por IA.
- Se comprometen a un objetivo de reducción del tamaño del código; el pago es proporcional a la reducción que logran.
- Uso intensivo de LLM como herramientas (p. ej., Claude Code) para refactors a gran escala, pero los humanos llevan la arquitectura y las decisiones.
- La ventana de “garantía” de dos semanas recibió críticas por ser demasiado corta; el proveedor afirma que en la práctica no abandonan a los clientes y que ahora los bugs son más fáciles de arreglar.
¿Esto es realmente nuevo?
- Una postura: esto es solo la última versión de limpiar sistemas heredados tipo “big ball of mud”, código externalizado, el revuelo de cloud/crypto/lo que sea.
- La otra postura: la IA ha creado una explosión sin precedentes de LOC; el AI-slop superará al legado clásico y generará trabajo de “slopfield” a largo plazo.
Calidad del código generado por IA
- Las experiencias varían mucho:
- Algunos reportan código asistido por IA más limpio, mejor documentado y más fácil de mantener que el código anterior a la IA cuando lo usan ingenieros capacitados.
- Otros ven un desastre extremo “vibe-coded” hecho por personas no técnicas o usuarios inexpertos: arquitecturas frágiles y enmarañadas, atajos peligrosos (p. ej., migraciones destructivas de bases de datos).
- Varios comentaristas distinguen entre:
- Vibe coding puro por parte de no desarrolladores.
- No programadores con conciencia de proceso usando IA.
- Ingenieros usando IA con revisión y estructura sólidas.
- Pasar a los clientes de (1) a (3) se considera muy valioso.
Usar IA para limpiar IA
- Los escépticos comparan “IA dentro, IA fuera” con una transcodificación con pérdidas repetida: los errores se acumulan en vez de cancelarse.
- Los defensores dicen que la IA es una herramienta de poder: en manos de desarrolladores experimentados, acelera refactors dirigidos, profiling de código y limpieza basada en patrones.
- Patrón común: escribir o mejorar tests (e2e, unitarios, mutation), definir reglas estrictas de duplicación/linting y luego recortar y refactorizar iterativamente con IA bajo CI.
Viabilidad, alcance y riesgo
- Hay dudas sobre entender reglas de negocio complejas en una semana y detectar regresiones, especialmente con suites de tests débiles.
- Los partidarios afirman:
- Mucho AI-slop está en fase temprana y todavía no está cargado con una década de casos límite.
- El trabajo puede descomponerse en tareas humanas “conceptualmente difíciles” más tareas repetitivas y de patrones delegadas a la IA.
- Los escaneos iniciales, los recorridos con el cliente y las decisiones de arquitectura las lideran humanos.
Mercado, incentivos y preocupaciones a largo plazo
- Los clientes objetivo suelen ser fundadores no técnicos que abusaron de la IA y ahora se enfrentan a repositorios imposibles de mantener.
- Algunos predicen un ciclo perpetuo: los clientes refactorizan y luego vuelven a vibe codear encima, generando trabajo de consultoría recurrente.
- Otros sostienen que la solución “real” son reescrituras lideradas por humanos, pero muchos replican que las reescrituras completas rara vez son óptimas.
- Surge la preocupación por la dependencia de la industria de LLM propietarios (Anthropic/OpenAI) como infraestructura central y el riesgo de futuras subidas de precio o shocks de disponibilidad.