Por qué no usaré LLMs en mi programación
Los programadores están profundamente divididos sobre si usar modelos de lenguaje grandes (LLMs) para escribir código: algunos informan enormes ganancias de productividad, mejor cobertura de pruebas y la posibilidad de lanzar más funciones, mientras que otros ven software con más errores, pérdida de oficio y una preocupante erosión de las habilidades para resolver problemas. Muchos comentarios describen a los LLMs como un “desarrollador junior” potente pero poco fiable, o como una herramienta eléctrica que sigue requiriendo un fuerte juicio humano, especialmente para sistemas críticos, mantenibilidad y calidad del código a largo plazo. Debajo de los argumentos técnicos hay preocupaciones más amplias sobre la seguridad laboral, la pérdida de habilidades, la ética, el impacto ambiental y si los empleadores acabarán considerando el no uso de IA como algo poco profesional o incluso irresponsable.
Adopción vs. rechazo
- Muchos comentaristas ven rechazar los LLMs para programar como equivalente a rechazar calculadoras o herramientas eléctricas: viable como pasatiempo, pero cada vez más incompatible con el trabajo remunerado.
- Otros defienden abstenerse como una elección personal legítima, especialmente para preservar el disfrute de programar “a mano” y el compromiso cognitivo.
- Varios señalan que esta postura quizá solo sea sostenible fuera de la industria principal, donde los empleadores esperan cada vez más flujos de trabajo asistidos por IA.
Productividad, calidad y pruebas
- Afirmaciones contundentes de que los LLMs aumentan enormemente el rendimiento: funciones y refactors que antes llevaban semanas ahora se hacen en días, tickets que se quedaban meses ahora se cierran rápido.
- Algunos informan de lanzar cambios grandes escritos por IA sin leer la mayor parte del código, confiando en pruebas unitarias, benchmarks, monitorización y feedback de usuarios como indicadores de calidad.
- Otros discrepan: las pruebas no pueden cubrir modos de fallo desconocidos; se han encontrado regresiones de rendimiento o seguridad solo leyendo el código.
- Varios sostienen que los LLMs ya son mejores que muchos ingenieros medios o junior tanto escribiendo como probando código; otros califican esto de exagerado o de “productividad falsa”.
Efecto en habilidades, roles y aprendizaje
- Un temor recurrente: los ingenieros que dependen en exceso de agentes perderán habilidades y se convertirán en “gerentes de becarios que nunca aprenden”.
- Los seniors suelen comparar los LLMs con desarrolladores junior rápidos e incansables: útiles si ya sabes dónde importa la calidad y cómo revisar.
- Preocupa que los incentivos para mentorar a juniors y construir una profunda experiencia humana estén desapareciendo; la industria podría converger hacia código “adecuado pero más descuidado”.
Cuestiones cognitivas, emocionales e identitarias
- Algunos echan de menos la satisfacción de resolver problemas y escribir código elegante; la IA se siente como una droga de mejora del rendimiento que abarata habilidades duramente ganadas.
- Otros se sienten liberados: el boilerplate tedioso y las herramientas secundarias se vuelven viables, liberando tiempo para diseño, producto o vida fuera del trabajo.
Preocupaciones ambientales, éticas y corporativas
- Los críticos señalan el consumo energético, los centros de datos y los proveedores de IA “sospechosos”; algunos argumentan que la ética sigue sin resolverse hoy, aunque en teoría pudiera resolverse.
- Contraargumento: casi todas las herramientas modernas tienen externalidades; muchas empresas están pasando a modelos locales o abiertos por cumplimiento y privacidad.
Posiciones matizadas / de punto intermedio
- Varios abogan por un espectro: usar LLMs para boilerplate, pruebas, código pegamento y exploración; escribir o revisar de cerca la lógica central y crítica a mano.
- Hay un amplio acuerdo en que la revisión de código y el juicio humano siguen siendo esenciales, incluso entre los usuarios intensivos de IA.