Ask HN: Si las herramientas de IA son tan buenas, ¿por qué tu backlog de bugs no está vacío?

Las herramientas de programación con IA están acelerando de forma drástica la producción de software, pero los ingenieros informan resultados mixtos sobre si eso realmente vacía los backlogs de bugs. Algunos equipos y desarrolladores en solitario dicen que sus colas de bugs están efectivamente vacías y atribuyen a la IA correcciones y refactorizaciones más rápidas, mientras que otros consideran que los modelos son poco fiables, propensos a correcciones superficiales o que rompen cosas, y difíciles de confiar en sistemas grandes o críticos. Muchos señalan que los cuellos de botella simplemente se han desplazado: de escribir código a especificar requisitos, revisar cambios, validar el comportamiento y decidir qué bugs o funcionalidades merecen ser abordados.

División general de experiencias

  • Muchos informan backlogs de bugs vacíos o casi vacíos; otros dicen que sus colas están tan llenas como siempre.
  • Cuando los backlogs son ligeros, la IA se presenta como un gran multiplicador, pero no como la única razón (las buenas pruebas, los sistemas pequeños y centrados, y la ingeniería disciplinada también importan).
  • Varios dicen que las colas de bugs se redujeron, pero que los backlogs de funcionalidades/ideas crecieron de forma dramática.

Casos en los que los backlogs de bugs están (casi) vacíos

  • Desarrolladores en solitario y equipos pequeños que usan modelos potentes + pruebas dicen:
    • La mayoría de los bugs claramente especificados son investigados, corregidos y sometidos a pruebas de regresión automáticamente por agentes.
    • La salida y las refactorizaciones que habían pospuesto durante años se resolvieron en semanas.
    • Los elementos restantes suelen ser “deseables”, ajustes de rendimiento o casos límite ambiguos.
  • Algunas organizaciones en dominios estables (finanzas, aplicaciones de negocio, infraestructura de DevOps) informan:
    • No hay deuda técnica urgente.
    • Los backlogs de trabajo esencial de infraestructura se vaciaron.
    • Las limitaciones se desplazaron a la definición del producto, el despliegue, las ventas y la adopción por parte de los usuarios.

Por qué muchos backlogs no están vacíos

  • La IA a menudo corrige síntomas localmente en lugar de eliminar clases enteras de bugs.
  • Persisten bugs difíciles: heisenbugs, fallos raros en C++, grandes bases de código heredadas, problemas poco especificados.
  • Algunos dicen que la IA introduce con frecuencia regresiones o implementaciones extrañas, lo que erosiona la confianza.
  • La verificación es costosa: la revisión humana, las restricciones regulatorias, las pruebas extensivas y las pruebas de aceptación siguen siendo cuellos de botella.

Limitaciones de las herramientas de IA actuales

  • Contexto y arquitectura: los agentes carecen de modelos mentales persistentes y a nivel de proyecto; AGENTS.md y la documentación personalizada ayudan, pero no bastan para sistemas muy grandes.
  • Los incentivos del entrenamiento favorecen código “defensivamente correcto”, no diseños mínimos y mantenibles.
  • El comportamiento se describe como inconsistente: brillante en algunas tareas, inexplicablemente malo en otras.
  • La IA es mejor encontrando problemas que corrigiéndolos de forma segura a gran escala.

Factores organizativos y estructurales

  • Muchos equipos siguen priorizando nuevas funcionalidades por encima del trabajo en bugs; la IA simplemente amplifica esa decisión.
  • Los procesos humanos —revisión de código, gobernanza, política interna, requisitos poco claros— dominan los plazos.
  • Algunos sostienen que un backlog profundo de bugs señala una desorganización más amplia que la IA no puede arreglar.
  • Se invocan conceptos como la ley de Parkinson y la paradoja de Jevons: más eficiencia produce más código, más funcionalidades y, en última instancia, más bugs que gestionar.