La IA no genera productos que funcionen; eso sigue siendo tu trabajo

Artículo original ↗ Discusión en Hacker News ↗

Las herramientas de IA están haciendo que pase de forma drástica más rápido de una idea a un primer prototipo funcional, pero muchos ingenieros sostienen que aportan poco para acortar el camino, mucho más difícil, hacia software fiable, mantenible y “de calidad de producción”. Los comentaristas describen el código generado por IA como materia prima útil o como un “IDE con superpoderes” para aplicaciones pequeñas y experimentación, pero a menudo desordenado, incoherente y difícil de evolucionar a escala sin una arquitectura humana sólida, pruebas y experiencia de dominio. Debajo de todo ello hay una ansiedad más amplia: la industrialización del desarrollo de software, el cambio en los requisitos de habilidades y la incertidumbre sobre si la IA principalmente aumentará a los desarrolladores, los descalificará o, con el tiempo, desplazará roles enteros.

Alcance de la ayuda de la IA: prototipo vs. producción

  • Hay un amplio acuerdo en que la IA acelera mucho el paso de nada a una primera versión funcional.
  • Muchos sostienen que no acorta de forma مشابه la ruta hacia “calidad de producción”: probada en batalla, mantenible, bien comprendida por un equipo y robusta frente a casos límite.
  • Otros discrepan: si el tiempo de programación es 10× más rápido, las etapas posteriores también deben beneficiarse. Contraargumento: la retroalimentación de los usuarios, el descubrimiento de requisitos y las decisiones de compromiso son los verdaderos cuellos de botella, no teclear código.

Qué significa “calidad de producción”

  • Se describe como:
    • Sobrevivir a las quejas de usuarios reales, los casos límite y las necesidades cambiantes.
    • Reflejar un modelo mental compartido del sistema dentro del equipo.
    • Ser mantenible sin sorpresas constantes ni regresiones.
  • El código generado por IA a menudo parece correcto localmente, pero termina produciendo arquitecturas incoherentes a nivel global durante meses: deriva de diseño sutil, sobrecomplejidad y sistemas difíciles de razonar.

Calidad del código, “slop” y mantenimiento

  • Muchos informan:
    • La IA es excelente para apps CRUD de camino feliz, herramientas internas y experimentos “de usar y tirar”.
    • Los sistemas de larga vida o complejos se degradan cuando están dirigidos en gran medida por agentes; la IA es buena añadiendo código, mala eliminándolo o limpiándolo.
    • Los bucles repetidos de “buscar y arreglar problemas” pueden crear una rotación infinita: arreglar y volver a romper distintas partes.
  • Otros dicen que la calidad media del código a microescala en la industria ha mejorado gracias a mejores patrones, linters y corrección de errores asistida por IA, pero la coherencia a macroescala sigue siendo un reto.

Cómo usa la gente la IA de forma efectiva

  • Patrones exitosos:
    • Tratar la IA como un asistente muy rápido o “code monkey”: los humanos hacen la arquitectura, el modelado del dominio y el diseño de pruebas; la IA escribe la mayor parte de la implementación.
    • Exigir primero planes explícitos, luego implementación paso a paso y pruebas rigurosas (unitarias, de integración, comprobaciones de propiedades).
    • Usar modelos más pequeños/débiles para asistencia estrecha e interactiva en lugar de flujos de trabajo totalmente agentivos de “déjalo correr”.
  • Patrones de fallo:
    • “Vibe coding” de un prompt por PR sin revisión profunda.
    • Personas no ingenieras que entregan sistemas generados por IA que no entienden y luego esperan que otros los “lleven a producción”.

Empleos, roles y metodología

  • El temor se centra menos en la habilidad individual y más en:
    • Menos roles necesarios para el mismo resultado.
    • Erosión de la identidad tradicional de “oficio + metodología” de los ingenieros de software.
  • Varios sostienen que necesitamos nuevas metodologías para bases de código a escala IA (por ejemplo, métodos más formales, tipos de datos algebraicos, verificación más fuerte), no solo prácticas antiguas con “IA” sustituida.

Impacto en los productos y la economía

  • Desacuerdo sobre el impacto visible:
    • Algunos ven una oleada de nuevas herramientas (especialmente de nicho), notablemente en áreas como healthcare y SaaS interno.
    • Otros señalan una avalancha de apps de poco esfuerzo, peor UX y pocos productos de usuario final obviamente transformadores.
  • En conjunto: la IA aumenta claramente la producción de código y la prototipación; si todavía está aportando productos correspondientemente mejores y sistemas duraderos es algo disputado y, en gran medida, se considera sin resolver.