Controla las ideas, no el código
Los modelos de lenguaje grandes están permitiendo que algunos desarrolladores deleguen casi toda la programación en agentes de IA y se centren en la arquitectura, las especificaciones y las pruebas, lo que plantea la provocadora idea de que leer cada línea de código se está volviendo “inútil”. Los comentaristas contrastan esto con problemas persistentes como las alucinaciones, los errores sutiles, el crecimiento excesivo de las bases de código y la mantenibilidad a largo plazo, argumentando que prácticas tradicionales como la revisión de código, la refactorización y las pruebas cuidadosas siguen siendo esenciales. El hilo también explora lo que este cambio significa para la formación de nuevos ingenieros, la calidad de los futuros datos de entrenamiento y la economía y la ética del desarrollo de open source asistido por IA.
Los LLM como agentes de programación frente a la lectura de código
- Muchos coinciden en que los LLM ya son buenos asistentes de programación y pueden manejar grandes refactors, nuevos módulos y stacks poco habituales cuando se usan bien.
- Otros informan que, a medida que los proyectos crecen (100k–1M LOC), los modelos se desvían, duplican conceptos y se inclinan por frameworks e idioms populares, ignorando arquitecturas a medida o documentos estilo AGENTS.md.
- Algunos sostienen que el énfasis futuro debería estar en “controlar las ideas” (arquitectura, interfaces, pruebas) más que en leer cada línea de código; otros consideran que revisar al menos parte del código sigue siendo esencial para entender y guiar los sistemas.
Calidad del código, slop y escalado
- Varios comentaristas ven las bases de código producidas por LLM como hinchadas, repetitivas y propensas a la deriva conceptual, especialmente sin convenciones sólidas, linting y refactorización humana.
- Otros afirman haber tenido éxito en proyectos grandes en Rust/Lua con guardrails, tipado fuerte y refactorización/pruebas agresivas.
- Existe preocupación de que, a medida que los repositorios generados por IA dominen los datos de entrenamiento, los modelos futuros se degraden por una menor “entropía” y bucles de retroalimentación de código mediocre.
Habilidad, “skill issue” y enseñanza
- Un sector atribuye los malos resultados principalmente a la habilidad del usuario en “agentic engineering” y la experimentación.
- Otros critican esto por arrogante y poco útil, subrayando que los flujos de trabajo con LLM son nuevos, están poco documentados y son difíciles de transferir sin colaboración estrecha.
- El debate se centra en si los problemas son de “skill issues” o de “knowledge/experience issues”, y en si los expertos tienen la obligación de compartir flujos de trabajo prácticos.
Pruebas, seguridad y fiabilidad
- Hay un amplio acuerdo en que los modelos aún alucinan y exageran la corrección; las pruebas rigurosas, TDD, las pruebas basadas en propiedades y los casos de reproducción reproducibles siguen siendo cruciales.
- Algunos sostienen que las pruebas y la QA empírica pueden reemplazar en gran medida la lectura de código; otros insisten en que las pruebas nunca pueden demostrar la ausencia de bugs y que la estructura debe entenderse.
Licencias, Redis/Valkey y hyperscalers
- Hilo secundario: fuerte desacuerdo sobre si Valkey “reemplazó” a Redis o simplemente ganó adopción, y sobre si esto se debe a la licencia, no al uso de IA.
- Críticas intensas a los hyperscalers por beneficiarse del open source sin contribuir proporcionalmente, y debate sobre si las licencias permisivas fueron un error.
- Algunos ven las licencias de “fair source” / open-core como defensas necesarias; otros temen que esto socave la portabilidad y el self-hosting.
Carreras, aprendizaje y acceso
- Preocupa que, si la programación se delega a los LLM, los recién llegados tengan dificultades para construir los modelos mentales necesarios para la arquitectura y el diseño.
- Algunos temen un futuro en el que el trabajo de software significativo requiera acceso de pago a modelos propietarios y hardware caro, haciendo el campo menos accesible.
- Otros aconsejan ignorar a los influencers, seguir escribiendo y leyendo código, y tratar la IA como una herramienta potente pero falible, no como un reemplazo.