Cobramos $10k por semana por borrar código generado por IA
Una nueva consultoría cobra 10.000 dólares por semana por limpiar grandes bases de código generadas por IA, prometiendo borrar el “slop” redundante y dejar un sistema más pequeño y mantenible. Los comentaristas están divididos entre verlo como una evolución natural de la consultoría clásica de código heredado y dudar de que refactors de una semana, a menudo usando herramientas de IA, puedan manejar especificaciones ausentes, tests débiles y lógica de negocio compleja. El hilo pone de relieve una tensión más amplia: la IA puede acelerar enormemente tanto la creación de código de baja calidad como la productividad de ingenieros expertos, haciendo que la supervisión humana y el juicio arquitectónico sean más importantes, no obsoletos.
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.