La IA no tiene sabiduría y tú tampoco la tendrás
Los ingenieros debaten si el código generado por IA está condenado de forma inherente a convertirse en un desastre inmantenible o si simplemente refleja problemas humanos de larga data con la mala arquitectura y la deuda técnica. Muchos sostienen que los grandes modelos de lenguaje ya pueden igualar o superar al desarrollador medio si se les guía con buenas especificaciones, pruebas y “andamiaje de agentes”, pero temen que la dependencia excesiva erosione el conocimiento institucional, las habilidades de los desarrolladores junior y la capacidad de tomar decisiones arquitectónicas sabias a lo largo de los años. Otros responden que programar se está convirtiendo en una mercancía barata y desechable, y que el verdadero diferenciador será cómo los equipos diseñen sistemas, definan restricciones y equilibren la velocidad a corto plazo con la salud del código a largo plazo en un flujo de trabajo saturado de IA.
Calidad del código generado por IA y “vibe coding”
- Muchos ven el código escrito por LLMs/agentes como excesivamente complejo, inconsistente y propenso a errores ocultos, especialmente cuando se usan prompts vagos de tipo “haz X”.
- Otros sostienen que esto no es fundamentalmente distinto del código mediocre escrito por humanos; la IA simplemente acelera tanto la entrega de funcionalidades como la degradación del código.
- Varios señalan que la calidad de la IA está muy determinada por las restricciones, los ejemplos y la revisión; los agentes sin guía producen, previsiblemente, basura.
Mantenibilidad, métricas y arquitectura
- El hilo coincide en que la mantenibilidad a largo plazo es difícil de medir; las métricas habituales (complejidad ciclomática/cognitiva, SonarQube) son ruidosas y se pueden manipular fácilmente.
- Algunos sugieren que entornos de RL y benchmarks para ediciones incrementales podrían entrenar modelos hacia la mantenibilidad, pero esto aún está emergiendo.
- La arquitectura de mayor nivel y el diseño de fronteras son, hoy por hoy, donde más fallan los agentes; las herramientas pueden imponer reglas de bajo nivel, no un buen diseño de sistemas.
Aprendizaje, sabiduría y conocimiento institucional
- Una preocupación recurrente: los desarrolladores que “no han escrito código desde 2025” quizá nunca desarrollen una intuición profunda, volviéndose dependientes de la IA.
- Se hacen comparaciones con externalizar la fabricación y perder el know-how industrial; la IA podría erosionar de forma similar la artesanía del software y la comprensión del dominio.
- Otros responden que los humanos ya rara vez alcanzan la maestría y que la “sabiduría” sobre el código suele ser tácita y difícil de formalizar incluso para enseñar a humanos.
Cómo usa la gente realmente la IA
- Algunos reportan grandes ganancias de productividad: usan agentes para la mayor parte de la implementación y luego se centran en especificaciones, arquitectura y pruebas; realizan refactors grandes en horas; generan pruebas y validaciones más exhaustivas.
- Otros dicen que pasan demasiado tiempo “persiguiendo” a los modelos y corrigiendo diseños extraños, y prefieren programar a mano las rutas críticas.
- Técnicas mencionadas: convenciones AGENTS.md, comentarios ricos en el código como “memoria sin infraestructura”, revisión cruzada entre múltiples agentes y pasadas explícitas de refactorización para reducir la basura acumulada.
Incentivos, trabajo y cultura
- Muchos culpan al enfoque de la dirección en la velocidad y el time-to-market por tolerar la basura de la IA y castigar a los ingenieros que ralentizan el trabajo para mejorar la calidad.
- La contratación y la evaluación se complican cuando los candidatos pueden usar IA para ocultar fundamentos débiles.
- Algunos argumentan que preocuparse por la calidad del código es sobre todo un problema de cultura e incentivos, no de herramientas.
Predicciones sobre el futuro
- Un grupo espera una IA ubicua, posiblemente con pipelines totalmente agénticos; las políticas “NO-AI” se ven como nicho o insostenibles.
- Otro predice tiendas “NO-AI” (o con IA mínima) como un nicho premium o impulsado por seguridad, especialmente en dominios de alto riesgo.
- No hay consenso claro sobre la trayectoria: algunos ven que la calidad del código con IA mejora rápidamente; otros ven estancamiento en problemas centrales como la mantenibilidad y los límites de contexto.