El problema no es el código de IA, sino no saber sobre la arquitectura del sistema o la intención

Artículo original ↗ Discusión en Hacker News ↗

Las herramientas de IA generativa están escribiendo cada vez más código de producción, pero muchos ingenieros argumentan que el verdadero cuello de botella simplemente se ha desplazado de teclear a entender: la arquitectura del sistema, la intención y la mantenibilidad a largo plazo. Los comentaristas describen organizaciones donde las especificaciones, los tickets, el código e incluso los memorandos ejecutivos están generados por IA, lo que erosiona la propiedad humana, los modelos mentales y la rendición de cuentas, al tiempo que incentiva el “vibe coding” y la producción rápida de funciones por encima de la fiabilidad. Otros responden que la IA puede ser un potente acelerador e incluso ayudar a comprender sistemas heredados, siempre que los equipos impongan revisión humana, abstracciones arquitectónicas claras y un “humano responsable en el circuito” que todavía sepa qué hace el sistema y por qué.

“La IA resolvió programar” vs la realidad

  • Algunos sostienen que los LLM han “resuelto programar” de facto: puedes entregar funcionalidades trabajando en lenguaje natural (requisitos, especificaciones, pruebas) y dejando que los agentes escriban el código, a menudo más rápido que los equipos humanos.
  • Otros rechazan esto con fuerza: el código de los LLM se considera inseguro, ineficiente, propenso a errores, un “slop” que quizá compile pero falla en robustez, rendimiento y calidad a largo plazo.
  • Una postura intermedia: los LLM reducen drásticamente el coste de la codificación mecánica, pero la ingeniería de software (requisitos, compromisos, arquitectura) sigue sin resolverse y ahora es más importante.

Arquitectura, intención y mantenibilidad

  • Muchos ven el verdadero cuello de botella en la arquitectura del sistema, la intención y la mantenibilidad, no en la codificación a nivel de línea.
  • Preocupación: si la IA genera grandes bloques de código y nadie los entiende en profundidad, la propiedad y la capacidad de razonar sobre los sistemas se erosionan.
  • Otros responden que la IA puede ayudar enormemente a entender sistemas heredados (resúmenes, referencias cruzadas) y a refactorizar, haciendo el mantenimiento más fácil si se usa con disciplina.

Incentivos organizacionales y nihilismo

  • Varios comentarios describen entornos donde los ejecutivos imponen “IA en todas partes”, usan documentos, tickets y memorandos escritos por IA, y miden la producción mediante KPI superficiales.
  • Esto fomenta el “slopmaxxing”: publicar salida de IA sin revisar, delegar la responsabilidad en las herramientas y tratar los trabajos como timos temporales antes de despidos inevitables.
  • La IA se ve como una forma cómoda de lavar el compromiso, la responsabilidad y el crédito: los artefactos parecen pulidos, pero carecen de una intención humana clara o de autores responsables.

Pérdida de comprensión, aprendizaje y modelos mentales

  • Preocupa mucho que la dependencia constante de agentes debilite los modelos mentales: la gente depura pegando cosas en la IA, no razonando, así que nunca interioriza cómo funcionan los sistemas.
  • Algunos ingenieros cuentan que la incorporación y el trabajo en funcionalidades se sienten fáciles al principio, para luego darse cuenta meses después de que aún no entienden la base de código.
  • Otros sostienen que las personas motivadas aún pueden aprender en profundidad con la IA como tutora; la falta de comprensión se plantea como un problema psicológico y cultural, no como una inevitabilidad técnica.

Roles y trayectorias profesionales en cambio

  • Varios predicen un cambio desde “personas que abren pull requests” hacia roles híbridos más cercanos a la gestión de producto o “personal técnico” que guía agentes y sistemas.
  • Hay temor de que el embudo tradicional de junior a senior (miles de horas de codificación práctica) se derrumbe, haciendo que los futuros líderes técnicos tengan menos base.
  • Existe desacuerdo sobre si esto llevará a más demanda de pensadores de sistemas de alto nivel o a la comoditización y los recortes de empleo.

Experiencias positivas y optimismo

  • Algunos informan ganancias de productividad de 10x: trabajo rápido en funcionalidades, tareas de devops, pruebas e incluso cambios complejos en sistemas heredados feos que la IA hace manejables.
  • En dominios con enormes bases de código antiguas en lenguajes oscuros, la IA se describe como “enviada por Dios” para el análisis y la modernización.
  • Unos pocos prevén que la IA abarate el mantenimiento y la refactorización, permitiendo reescrituras continuas en lugar de vivir con una deuda técnica profunda.

Continuidad histórica y deriva de la abstracción

  • Varios comentarios observan que esto es otro paso en una tendencia larga: de ensamblador a C a lenguajes de alto nivel a IA, cada ola oculta más complejidad y reduce el grupo de personas que entienden las capas inferiores.
  • Algunos sostienen que las grandes organizaciones ya tenían una toma de decisiones opaca y sistemas frágiles antes de la IA; la IA principalmente acelera y expone la disfunción existente en lugar de crearla desde cero.