Jonathan Blow – Si la IA solucionó la programación, ¿por qué mi software sigue siendo el mismo? [video]

Las afirmaciones de que “la IA ha solucionado la programación” chocan aquí con la realidad de que la mayor parte del software que usa la gente sigue pareciendo lento, con fallos o sin cambios. Los comentaristas argumentan que la programación rara vez fue el verdadero cuello de botella: los incentivos organizativos, la visión de producto, la arquitectura, las pruebas y el mantenimiento siguen siendo difíciles, y los LLM actuales principalmente aceleran el boilerplate y las herramientas personales, a menudo añadiendo deuda técnica y “slop” de baja calidad. A la vez, los participantes debaten si la abundante producción indie y las apps personalizadas de un solo uso cuentan como progreso real, y cuánto peso dar a destacados desarrolladores de videojuegos que son escépticos sobre el impacto de la IA en la artesanía del software.

Calidad de software percibida y cambio

  • Muchos sostienen que el software cotidiano es peor: más errores, más lento (por ejemplo, versiones modernas de sistemas operativos, recordatorios de Outlook) y más “AI slop” añadido a golpes.
  • Otros dicen que la calidad básica no ha cambiado mucho; solo mejoraron el hardware y las herramientas superficiales, mientras que la UX y la fiabilidad se estancaron o retrocedieron.
  • Algunos señalan que las aplicaciones comerciales dominantes cambian lentamente, mientras que las mejoras impulsadas por IA son sobre todo herramientas internas invisibles y utilidades personales.

Programación vs. cuellos de botella organizativos

  • Tema recurrente: la programación rara vez fue el verdadero cuello de botella; la comunicación, la planificación, lo legal, la política y la coordinación dominan los plazos.
  • Los LLM comprimen la fase de “programación + pruebas de componentes”, dejando en evidencia que ahora los requisitos, la arquitectura, el despliegue y los bucles de retroalimentación son los que más pesan.
  • Las grandes organizaciones con reuniones, procesos y revisión legal no pueden convertir fácilmente la velocidad bruta de codificación en entregas más rápidas.

Productividad en programación con IA: hype vs. realidad

  • Los entusiastas afirman un rendimiento de 10–100× para ciertas tareas, creación rápida de apps enteras, motores y clones personales de herramientas comerciales.
  • Los escépticos reportan ganancias netas negativas o modestas: la IA produce código demasiado complejo y frágil, PR enormes y más trabajo de mantenimiento/verificación.
  • Varios comentaristas subrayan el sesgo de selección: los proyectos personales y las demos desde cero se ven espectaculares; el contexto empresarial, los casos límite y el mantenimiento a largo plazo revelan los límites.

Arquitectura, requisitos y “qué construir”

  • Hay amplio acuerdo en que la IA no “resuelve” la visión de producto, la priorización ni el diseño de sistemas de alto nivel.
  • Los buenos requisitos, el modelado de dominio y los límites de abstracción siguen requiriendo juicio humano; los LLM a menudo violan el encapsulamiento y crean arquitecturas enmarañadas a menos que se los guíe mucho.
  • Algunos prevén futuros flujos de trabajo en los que los humanos especifiquen objetivos y restricciones mientras la IA dicte los detalles de implementación, pero eso sigue siendo aspiracional.

Casos de uso personales e indie

  • Muchos reportan un éxito notable al construir software personal: herramientas de medios personalizadas, apps de productividad, juegos indie, sustitutos local-first de SaaS.
  • Estas herramientas suelen adaptarse muy bien a un solo usuario, pero serían frágiles o no escalables como productos generales; la QA, el pulido de UX y los casos límite siguen siendo difíciles.

Empleo, dinámicas de poder y cultura

  • Varios señalan una ansiedad laboral creciente entre desarrolladores; algunos managers están abiertamente contentos de que la IA les haya “cortado las patas” a los devs y los haya vuelto más complacientes.
  • Preocupa que la IA amplifique el foco gerencial en el conteo de artefactos (tickets, docs, líneas de código) en lugar de los resultados, y acelere la enshitificación en vez de la calidad.

Sentimiento general

  • Consenso: la IA ha cambiado significativamente cómo se escribe código, pero aún no qué es el software mainstream ni cómo operan las organizaciones.
  • El entusiasmo por la IA como herramienta poderosa convive con un profundo escepticismo sobre la calidad, la mantenibilidad, los incentivos y el impacto a largo plazo.