El uso de IA genera una base de código frágil

La fuerte dependencia del código generado por IA está despertando preocupación de que el software se vuelva más frágil, más difícil de entender y plagado de pruebas superficiales y patrones sobredimensionados. Los comentaristas describen incentivos de gestión que premian la velocidad de funciones y el uso de tokens por encima de la mantenibilidad, lo que lleva a muchos equipos a “vibe codear” con agentes y omitir revisiones significativas, mientras que otros informan de éxito cuando la IA se guía de forma estricta por una arquitectura sólida, sistemas de tipos y verificación rigurosa. Un tema recurrente es que la IA amplifica las prácticas existentes: en organizaciones con estándares claros, especificaciones y barreras de calidad puede mejorar la robustez, pero en entornos que ya infravaloran la calidad del código acelera la deuda técnica y erosiona la comprensión humana de sistemas críticos.

Incentivos empresariales y velocidad

  • Muchos sostienen que las bases de código frágiles generadas por IA están impulsadas más por incentivos empresariales que por las herramientas: presión por funciones, métricas de tokens/velocidad y falta de incentivos para la robustez.
  • Algunos dicen que las empresas solo reajustarán tras incidentes graves; otros creen que el mercado se autocorregirá gradualmente a medida que afloren los costes de la fragilidad.
  • Una preocupación recurrente: los directivos optimizan para la velocidad aparente y la adopción “AI-native”, no para la mantenibilidad a largo plazo ni para una comprensión profunda.

Calidad del código, complejidad y pruebas

  • Quejas habituales: la IA escribe código excesivamente complejo, verboso o redundante; crea abstracciones innecesarias; y a menudo reproduce patrones malos ya existentes en el repositorio.
  • Las pruebas superficiales y de gran volumen son una preocupación importante: inflan la cobertura, ralentizan la CI y pasan por alto invariantes reales. Algunos ven las pruebas de IA como mejores que las que muchos humanos han escrito nunca; otros las ven como ruido que consolida chapuzas.
  • Quienes defienden el tipado estático fuerte, los tipos refinados y la FP dicen que los LLMs, junto con buenos sistemas de tipos, reducen la necesidad de muchas pruebas y hacen que los errores sean más visibles estructuralmente.

Comprensión humana, intuición y sistemas “caja negra”

  • Críticos: el uso intensivo de IA debilita los modelos mentales de los desarrolladores, reduce el “fingerspitzengefühl” y desalienta la lectura de código y la refactorización impulsadas por la curiosidad.
  • Los defensores responden que la comprensión simplemente se desplaza a un nivel superior (arquitectura, especificaciones, comportamiento), igual que la mayoría de los desarrolladores no entiende kernels o hardware.
  • Varios temen un futuro en el que nadie entienda profundamente los sistemas grandes; el software se vuelve “orgánico” y se parchea perpetuamente por agentes.

Experiencias de grandes proyectos impulsados por IA

  • Algunos informan de grandes aplicaciones construidas con IA (cientos de miles de líneas de código) con mantenimiento aceptable hasta ahora, y afirman que el trabajo de nuevas funciones es más rápido y que las reescrituras son sencillas a medida que mejoran los modelos.
  • Otros comparten experiencias opuestas: monolitos hechos con vibe coding, archivos enormes, patrones inconsistentes y una dificultad creciente tanto para humanos como para agentes para modificarlos de forma segura.
  • Existe desacuerdo sobre si los casos de éxito actuales son demasiado tempranos (pocos usuarios, poco tiempo en producción) como para decir algo significativo sobre la fragilidad a largo plazo.

Proceso, herramientas y gobernanza

  • Tema fuerte: “IA sin supervisión es perjudicial”. Los buenos resultados requieren:
    • Restricciones y estándares arquitectónicos claros (YAGNI, DRY, KISS).
    • Agentes adversarios/secundarios para revisión, refactorización y poda de pruebas.
    • Mejor análisis estático, linters y arneses específicos del dominio.
  • Algunos ven el desafío clave de 2026+ como usar la IA para mejorar la robustez en lugar de aceptar chapuzas, mediante mejores bucles de verificación y disciplina de diseño.

Preocupaciones profesionales y sociales más amplias

  • Entre las preocupaciones están la atrofia de habilidades, la pérdida del gusto arquitectónico, la dependencia de laboratorios externos y de presupuestos de tokens, y que la dirección use la IA para justificar estándares más bajos.
  • Otros lo comparan con cambios pasados (compiladores, fábricas): el código hecho a mano, “artesanal”, se convertirá en un nicho, mientras que el código masivo producido por IA dominará la mayor parte del software empresarial.