Creo que quizás te estás engañando con la IA

Artículo original ↗ Discusión en Hacker News ↗

Las afirmaciones de que la programación asistida por IA impulsa la productividad de los desarrolladores se ven cuestionadas por evidencia mixta, incluido un estudio de 2025 muy citado que mostraba que los desarrolladores se sentían más rápidos con IA pero en realidad eran más lentos, y un seguimiento más reciente con resultados no concluyentes. Los comentaristas contraponen la prototipación “rápida” impulsada por IA y la IA “lenta” como tutor tipo patito de goma con la programación manual tradicional, y reportan desde ganancias mínimas hasta aceleraciones espectaculares según el tipo de tarea, la complejidad del código y la habilidad del desarrollador. Junto con la productividad, muchos plantean preocupaciones sobre la economía a largo plazo y el coste ambiental de la IA a gran escala, mientras que otros sostienen que, aunque los modelos de negocio actuales sean insostenibles, la tecnología subyacente es claramente útil y no va a desaparecer.

IA y Productividad de los Desarrolladores

  • Fuerte división: algunos reportan ganancias de 2–10x, otros ven un impacto neutro o negativo una vez que se incluyen la verificación y la depuración.
  • Las mayores ganancias se dan en: CRUD simple, código de integración, bibliotecas auxiliares, dominios desconocidos, prototipos y tareas “burocráticas” (correos, resúmenes).
  • Varios señalan que no hay beneficio o incluso hay lentitud en código complejo, de bajo nivel o de bibliotecas, donde la corrección y la arquitectura importan mucho.

Flujos de trabajo: Uso rápido vs. lento de la IA

  • “IA rápida”: dejar que los agentes generen grandes bloques o funciones completas rápidamente → excelente para demos/POC, arriesgado para producción y para la comprensión.
  • “IA lenta”: uso incremental, con muchas preguntas y revisión → se siente menos estresante que programar a mano, aunque no mucho más rápido, pero sí más sostenible.
  • Muchos combinan ambos: IA para el andamiaje inicial, humanos para refactorizar, probar y “humanizar” el código.

Habilidad, Comprensión y Calidad del Código

  • Preocupaciones de que el uso intensivo de IA erosiona habilidades y hace que los desarrolladores no puedan o no quieran trabajar sin ella; hay algunas evidencias de un estudio en el que muchos rechazaron condiciones sin IA.
  • Otros enfatizan que las bases de código se vuelven más difíciles de entender cuando se “programa por vibra”, aunque la lista de funciones crezca más rápido.
  • Algunos tratan a la IA como un poderoso “patito de goma”, obligando a requisitos y modelos mentales más claros.

Sostenibilidad Económica y Costes

  • Debate sobre si el enorme capex de IA y la deuda oculta hacen que las ofertas actuales sean insostenibles, frente a la idea de que los tokens son rentables en el margen.
  • Los escépticos predicen subidas de precios, consolidación o fallos; los defensores argumentan que la tecnología persistirá como internet tras las puntocom, quizá con costes unitarios más bajos.
  • Desacuerdo sobre si las ganancias actuales de productividad justifican inversiones de casi un billón de dólares.

Preocupaciones Ambientales y Éticas

  • Inquietudes sobre el uso de energía (en gran parte alimentada por combustibles fósiles), el impacto climático y el daño a las comunidades; algunos argumentan que esto se está minimizando.
  • Otros responden que el problema central es la energía sucia, no la IA en sí, y esperan que la energía sea más barata y limpia, pero los críticos invocan la paradoja de Jevons (más eficiencia → más uso total).

Evidencia, Estudios y Epistemología

  • El estudio METR de 2025 (los desarrolladores se sintieron más rápidos pero fueron ~19% más lentos con IA) es citado ampliamente por los escépticos.
  • Los mensajes pro-IA subrayan un seguimiento de 2026 que muestra una aceleración con herramientas más nuevas, aunque los propios autores señalan serias limitaciones metodológicas.
  • Debate más amplio sobre confiar en estudios individuales frente a la experiencia personal acumulada, y sobre citar selectivamente investigaciones que coinciden con los prejuicios previos.

Patrones de Adopción y Casos de Uso

  • Entusiasmo claro en equipos pequeños, proyectos indie y flujos de trabajo de ciencia de datos, donde las personas controlan la arquitectura y el contexto.
  • El ROI a nivel corporativo sigue siendo “incierto”; varios señalan que los cuellos de botella organizativos tradicionales (pruebas, requisitos, política) pueden comerse las ganancias de codificación.
  • Para no ingenieros, la IA puede hacer viables tareas de software antes imposibles o demasiado caras, algo que muchos ven como genuinamente transformador.

Dinámicas Sociales y Emociones

  • Los participantes acusan a ambos bandos, “pro-IA” y “anti-IA”, de tribalismo, inseguridad y razonamiento motivado.
  • Algunos críticos admiten enfado y ansiedad por la dirección de la IA; algunos entusiastas muestran una gran confianza en que los escépticos simplemente están “equivocados”.
  • Varios argumentan que desestimar una utilidad cotidiana obvia debilita debates más serios sobre externalidades y riesgos a largo plazo.