Un mes sin IA

Artículo original ↗ Discusión en Hacker News ↗

Los asistentes de programación con IA y las herramientas agénticas están permitiendo a los desarrolladores entregar más funciones más rápido, pero muchos ingenieros informan que sienten que sus habilidades, la calidad del código y el control arquitectónico se están erosionando a medida que dependen de los modelos para generar cambios grandes y complejos. Los comentaristas describen un intercambio entre velocidad a corto plazo y mantenibilidad a largo plazo, con problemas como código inflado, revisiones más difíciles, flujos de trabajo frágiles y experiencia que se atrofia, junto con ganancias reales en depuración, generación de boilerplate y aprendizaje de stacks desconocidos. El consenso emergente es que la IA puede ser potente cuando está estrechamente limitada y bien integrada en las prácticas existentes, pero su uso sin control —especialmente para la implementación de funciones de extremo a extremo— corre el riesgo de convertir las bases de código en sistemas opacos y frágiles que ni siquiera sus propietarios nominales entienden por completo.

Alcance del uso de IA en programación

  • Algunos describen un “vibe-coding” casi total: sin teclear ni leer código manualmente durante meses; las funcionalidades (p. ej., 2FA, juegos, aplicaciones complejas) se especifican en lenguaje natural y los agentes las implementan de extremo a extremo.
  • Otros usan la IA de forma limitada: código repetitivo, refactors, pruebas unitarias, pequeños scripts o como asistente avanzado de búsqueda y depuración, mientras mantienen la implementación central manual.
  • Un subconjunto de desarrolladores evita intencionalmente la IA en nuevos proyectos para recuperar el control y mantenerse agudos.

Calidad, seguridad y verificación

  • Los críticos argumentan que confiar ciegamente en la IA para funciones sensibles a la seguridad (como 2FA) es irresponsable; sigues siendo responsable aunque los “modelos cibernéticos” sean buenos haciendo pentesting.
  • Varios informan haber revisado sistemas generados por IA y encontrado errores sutiles y graves (condiciones de carrera asíncronas, ausencia de backpressure, supresión silenciosa de errores).
  • Mitigación propuesta: análisis estático más sólido, sistemas de tipos más ricos, verificación formal y tratar las pruebas solo como una capa de prueba.

Productividad, WIP y complejidad

  • Algunos equipos afirman mejoras de velocidad de un orden de magnitud y entrega rápida de funciones largamente retrasadas.
  • Otros encuentran que los agentes generan PR enormes y paredes de documentación, creando cuellos de botella en la revisión y fomentando el humo y los espejos.
  • El experimento de un equipo de “apostarlo todo por los agentes” llevó a un WIP alto, integraciones estancadas y partes interesadas descontentas; volvieron a límites estrictos de WIP y a una colaboración más humana.
  • Los comentaristas subrayan que la IA tiende a aumentar la complejidad salvo que esté fuertemente restringida.

Atrofia de habilidades y abstracción

  • Muchos informan sentir que sus habilidades de implementación se erosionan rápidamente; sesiones breves sin IA pueden generar ansiedad, pero también ser tranquilizadoras.
  • Algunos lo ven como una deriva natural hacia la abstracción (como pasar de ensamblador a lenguajes de alto nivel); otros insisten en que no puedes diseñar bien sin programar activamente.

Cuándo la IA funciona bien

  • Depurar problemas complejos de producción correlacionando registros, código y casos límite extraños.
  • Aprender stacks desconocidos (p. ej., BLE, asyncio, MicroPython) más rápido que con la web actual saturada de SEO.
  • Generar pruebas unitarias, pequeñas herramientas y andamiaje donde la calidad del código y el mantenimiento a largo plazo importan menos.

Desarrollo agéntico y pérdida de control

  • Los enjambres de agentes tientan a la gente a hacer multitarea y posponer revisiones; tareas que podrían haberse codificado a mano en 20 minutos se convierten en ejercicios de revisión de varios días.
  • Algunos admiten que ya no entienden por completo qué hace una gran base de código escrita por IA y dependen de pruebas de extremo a extremo y “pruebas de pato” (¿parece que funciona?).

Escritura y usos no relacionados con código

  • Los experimentos de escritura de libros con LLM producen borradores rápidos pero estilo genérico, inconsistencias lógicas, prosa llena de clichés y meses de limpieza; a menudo no merece la pena.
  • Varios dicen que los modelos han mejorado para código pero han empeorado o se han vuelto más planos para la prosa de formato largo.

Comportamiento del modelo y variaciones en las herramientas

  • Las experiencias varían mucho: algunos ven los modelos punteros como “mejores que la mayoría de los devs”; otros obtienen alucinaciones, uso incorrecto de archivos, recuentos erróneos y variables inventadas.
  • La calidad depende mucho de la versión del modelo, del proveedor y de la integración (chat vs IDE/agente con herramientas); algunos sospechan degradaciones silenciosas o cuantización, mientras que otros lo discuten.

Actitudes culturales y analogías

  • Las analogías van desde “IA como cocaína/máquina tragaperras” hasta “IA como piloto automático o máquina CNC”; algunos ven pánico moral, otros ven un uso genuinamente adictivo y excesivo.
  • Hay una polarización visible entre quienes dicen “úsala o quédate atrás” y quienes se preocupan por la bazofia, la dependencia y el mantenimiento a largo plazo.