Ocho mitos sobre la ingeniería de software y la GenAI

Artículo original ↗ Discusión en Hacker News ↗

Las afirmaciones de que la IA generativa solo puede acelerar aproximadamente el 14% del día de un desarrollador dedicado a teclear código son fuertemente cuestionadas, y muchos ingenieros informan que las herramientas modernas ahora aceleran la investigación, los documentos de diseño, la depuración, la redacción de pruebas e incluso la planificación de producto. Los comentaristas debaten sobre si el código sigue siendo realmente el cuello de botella, cuánto “slop” generado por IA y cuánto riesgo de seguridad pueden tolerar los equipos, y si las líneas de código o las mejoras de velocidad autodeclaradas son métricas de productividad significativas. Debajo de todo hay una ansiedad más amplia sobre el hype, el desplazamiento laboral y la mantenibilidad a largo plazo de los sistemas construidos con una asistencia agresiva de IA.

Impacto en el tiempo de desarrollo y el flujo de trabajo

  • Muchos discrepan del encuadre del artículo de “la IA solo toca el 14% del tiempo de codificación”, y sostienen que las herramientas actuales aceleran mucho más que la escritura: depuración, lectura de código heredado, redacción de pruebas, andamiaje, documentación, administración de Jira/Linear, paneles de control e investigación.
  • Algunos informan que pasan la mayor parte del día “conduciendo agentes”, revisando salidas y orquestando el trabajo, con la codificación ahora como una porción mayor del tiempo porque otras tareas se volvieron más rápidas.
  • Otros dicen que la IA solo acelera modestamente la codificación una vez que un problema se entiende, de forma similar a unos IDE más inteligentes.

Calidad del código, revisión y seguridad

  • Fuerte desacuerdo sobre cuánto se puede confiar en el código generado por IA.
    • Algunos revisan de forma selectiva solo el código “importante” o cercano a la seguridad y confían en las pruebas o en los escáneres de seguridad para el resto.
    • Otros sostienen que esto es imprudente, especialmente para endpoints que tocan la entrada del usuario o datos de producción; ven “bloat de código de IA” y PR enormes y difíciles de revisar.
  • Preocupación de que el alto volumen de los LLM haga inviable una revisión humana exhaustiva, empujando a los equipos hacia normas más riesgosas.

Ganancias de productividad y métricas

  • Las líneas de código son ampliamente criticadas como una mala métrica de productividad, especialmente para la IA, aunque una minoría defiende las LoC como un proxy personal útil en proyectos bien curados.
  • Varios señalan que los estudios y encuestas sobre productividad con IA se quedan obsoletos rápidamente; citar trabajos de principios de 2025 se considera engañoso.
  • Algunos enfatizan que la productividad debe medirse a nivel de sistema o de resultados, no por volumen de código ni por gasto en tokens.

Diseño, requisitos y reuniones

  • Debate sobre si la IA acorta o alarga los ciclos de diseño:
    • A favor: investigación más rápida, documentos de diseño redactados automáticamente, prototipos baratos que estrechan el bucle idea → prueba → refinamiento.
    • En contra: fomenta el “vibing” y demostraciones con exceso de pulido que parecen terminadas pero ocultan un diseño deficiente o ausente.
  • Algunos argumentan que, si la codificación se vuelve barata, más del PRD se hará mediante código/prototipos en lugar de reuniones y documentos.

Efectos organizativos y profesionales

  • Hay informes de líderes que esperan una productividad de 10 a 100× y usan presupuestos de IA por desarrollador; muchos consideran esto irrealista o peligroso.
  • Observaciones de adopción desigual: algunos ingenieros van “con todo”, otros evitan la IA o la usan en silencio, a veces por penalizaciones percibidas a la competencia.
  • Varios prevén una bifurcación entre “fábricas de código” que producen basura asistida por IA y equipos “artesanales” más pequeños que mantienen sistemas críticos.

Limitaciones, riesgos y factores humanos

  • Preocupaciones por alucinaciones, casos límite mal gestionados y deuda técnica a largo plazo derivada de código generado rápidamente pero poco comprendido.
  • Temores de “rendición cognitiva”: depender de la IA hasta el punto de atrofiar habilidades y perder la capacidad de razonar sobre los sistemas.
  • Algunos desarrolladores reportan menos alegría y conexión con su trabajo cuando grandes partes son generadas por LLMs, especialmente en proyectos secundarios.