Los críticos de los LLM tienen razón. Aun así, uso LLMs
Los desarrolladores dependen cada vez más de los modelos de lenguaje grandes (LLMs) y de agentes de programación para acelerar el trabajo y explorar nuevas tecnologías, aun cuando estén de acuerdo con muchas de las críticas a estas herramientas. Los comentaristas sopesan las ganancias de productividad a corto plazo frente a riesgos como la atrofia de habilidades, el deterioro de la formación de juniors, problemas de calidad y mantenibilidad del código, la erosión de la confianza por contenido generado por IA de bajo esfuerzo y los costos ambientales y éticos de la IA a gran escala. Muchos concluyen que los LLM son herramientas potentes pero imperfectas que deben usarse de forma selectiva, con una fuerte verificación humana y con conciencia de que su impacto social más amplio sigue siendo muy incierto.
Alcance de la crítica vs. uso
- Muchos comentaristas están de acuerdo en que las críticas clave a los LLM (alucinaciones, atrofia de habilidades, centralización, costo ambiental, ética) son válidas, pero aun así los usan intensamente.
- Otros argumentan que no hay contradicción en usar una herramienta defectuosa si se mantienen presentes sus límites; críticos y usuarios no son grupos disjuntos.
- Algunos ven el rechazo generalizado del resultado de los LLM como “slop” como una negación de las capacidades actuales; otros ven el entusiasmo acrítico como igual de sesgado.
Atrofia de habilidades y profundidad de conocimiento
- Preocupa mucho que descargar trabajo de “nivel inferior” (detalles de programación, regex, depuración) erosionará con los años habilidades fundamentales y el criterio arquitectónico.
- Contraargumento: siempre hemos abstraído capas (calculadoras, compiladores, nube); solo una minoría necesita de verdad habilidad profunda de bajo nivel.
- Varios informan que ya notan peor recuerdo y retención al depender de agentes; algunos mantienen deliberadamente proyectos personales sin LLM para “ejercitar” sus propias habilidades.
- Debate sobre si se puede hacer bien el diseño de alto nivel sin comprensión de bajo nivel; hay ejemplos de “ingenieros de sistemas” y usuarios de IA produciendo arquitecturas incoherentes.
Productividad, calidad y verificación
- Los reportes van desde “sin ganancia neta” (el tiempo dedicado a revisar cancela las ganancias de generación) hasta “~1.5–2x de productividad individual” y “producción del equipo +25% después de despidos.”
- Investigaciones citadas sugieren que los desarrolladores sobreestiman sistemáticamente las ganancias; el aumento a nivel de equipo es modesto y a menudo se lo comen la sobrecarga o los experimentos extra.
- Las ganancias dependen mucho del contexto y del nivel de calidad: los LLM brillan cuando “el slop está bien” o para boilerplate; pueden ralentizarte en trabajos de alta calidad o críticos para la seguridad.
- Muchos dicen que los desarrolladores “cobran” esas ganancias en forma de menos agotamiento o más proyectos paralelos, no de mayor producción corporativa.
- Visión compartida: la confianza y la revisión importan más que si el código fue escrito por IA. Los diffs pequeños y respaldados por pruebas son manejables; los grandes cambios generados por agentes no lo son.
Pruebas, revisión de código y agentes
- Preocupa que las pruebas escritas por LLM puedan ser triviales pero mostrar números de cobertura impresionantes, dando una falsa confianza.
- Algunos usan LLMs eficazmente para generar o refactorizar suites de pruebas, pero enfatizan la revisión humana y métricas más sólidas que la cobertura de líneas o ramas.
- Los agentes pueden producir bases de código estructuralmente desordenadas aunque los fragmentos locales estén bien; la responsabilidad de la arquitectura y las restricciones sigue siendo humana.
Juniors, mentoría y código abierto
- Hay temor de que reemplazar tareas “de junior” con agentes perjudique los canales de formación y la calidad del código a largo plazo.
- Los mantenedores de código abierto informan un aumento de PRs de baja calidad, escritos por IA, que a menudo son más difíciles de revisar que hacer ellos mismos la corrección, lo que lleva a más control de acceso.
- Otros señalan que colegas asistidos por LLM a veces envían código más idiomático que realmente reduce la carga de revisión.
Efectos cognitivos y sociales
- Existe el miedo de que el uso ubicuo de LLM homogeneice la escritura y el pensamiento, de manera similar a cómo las plataformas moldean la cultura; otros los ven como una herramienta más que amplía el “sentido común.”
- Algunos usan LLMs como tutores y compañeros de preparación para entrevistas y reportan beneficios reales de aprendizaje.
Ética, medio ambiente y uso de tokens
- Las objeciones morales se centran en la procedencia de los datos, el comportamiento corporativo y el impacto ambiental; se reconoce la disonancia de usar LLMs pese a ello.
- Debate sobre el costo de carbono: algunos afirman que el uso diario de tokens es menor frente a los desplazamientos o la comida; otros enfatizan el crecimiento agregado de los centros de datos y la cuota proyectada de energía de la IA.
- Los grandes gastos en tokens (p. ej., ~$10k/mes) son polarizantes: algunos los ven como despilfarro o mal uso de agentes; otros lo comparan favorablemente con el costo de contratar a otro ingeniero.