El software se está desmoronando a nivel sistémico

Los problemas de fiabilidad del software —desde grandes caídas en la nube hasta vulnerabilidades ocultas durante años y descubiertas por la IA— están alimentando el debate sobre si los sistemas se están volviendo realmente más frágiles o simplemente más visibles a mayor escala. Muchos sostienen que los problemas de fondo no son nuevos: complejidad creciente, cadenas de dependencias densas, centralización en la nube e incentivos empresariales que priorizan la velocidad y el coste por encima de la robustez. Otros ven la IA y las herramientas modernas como de doble filo, acelerando al mismo tiempo cambios mal diseñados y permitiendo auditorías, pruebas y refactorizaciones más rápidas del vasto y frágil código heredado que sustenta la infraestructura crítica.

¿Qué tan nuevas son las fallas de hoy?

  • Muchos sostienen que el software siempre ha sido frágil; simplemente ahora tenemos más y mejor visibilidad.
  • Otros sienten que la proporción y el impacto de las fallas sistémicas están aumentando debido a la escala, la interconexión y la centralización.
  • Varios señalan que grandes incidentes previos (virus, Y2K, Heartbleed, log4j, grandes caídas) debilitan la idea de que 2026 sea excepcionalmente malo.

Complejidad, dependencias y centralización

  • Hay un fuerte acuerdo en que la proliferación de dependencias y el “todo depende de unos pocos proveedores de cloud/SaaS” generan fallas correlacionadas y en cascada.
  • Algunos culpan al uso imprudente de paquetes diminutos (p. ej., la cultura de npm); otros dicen que el problema real es la falta de componentes reutilizables de alta calidad y de herramientas para gestionarlos.
  • “Decoherence”: muchos modelos y servicios localmente válidos pero mutuamente inconsistentes hacen que el cambio y la resolución de problemas sean muy difíciles.

El papel de la IA en la calidad del software

  • Opiniones divididas:
    • IA como acelerador del caos: código hecho con vibe coding, adoración por la velocidad, más incidentes por unidad de “tiempo humano”, descalificación profesional de los ingenieros, organizaciones convertidas en “proxy de carne”.
    • IA como superauditor/mejorador: sacar a la luz errores de larga data, permitir refactorizaciones masivas, portados y escritura de pruebas; algunos reportan tasas de éxito más altas por cambio.
  • Consenso en que la IA reduce drásticamente el costo de explotar vulnerabilidades y los requisitos de habilidad del atacante.
  • Muchos subrayan que el código generado por IA sigue necesitando juicio humano, pruebas y especificaciones; el “one-shot prompting” se ve como algo peligroso.

Open source, gestores de paquetes y “amateurismo”

  • Discrepancia sobre si el open source y la publicación fácil de paquetes son causas centrales.
  • Algunos culpan a la “veneración de la mediocridad” y a la cultura de priorizar la velocidad: personas que no saben escribir lo básico dependen de dependencias opacas.
  • Otros argumentan que las dependencias son esenciales; los verdaderos problemas son la rotación, la mala curación, los riesgos de la cadena de suministro y la falta de financiación para las bibliotecas centrales.

Incentivos organizacionales y cultura

  • Se repite la afirmación de que el negocio no financia la fiabilidad, el análisis de riesgos ni la documentación; dominan la velocidad y el recorte de costes.
  • El conocimiento crítico está disperso; nadie “posee” los resultados a través de los sistemas.
  • Muchos ven a la dirección exagerando la IA para reducir personal y empujar un rendimiento irreal.

Fiabilidad, regulación y sistemas críticos

  • Algunos esperan regulación una vez que las caídas y las pérdidas de seguridad sean intolerables, analogándolo con otras industrias donde las normas llegaron tras desastres.
  • Otros señalan una brecha de larga data entre los dominios de misión crítica (con procesos pesados) y el software de consumo/empresa que “se mueve rápido”.

Cloud vs bare metal

  • Un sector ve la consolidación en la cloud como un amplificador de fragilidad, pero necesaria para la mayoría de las organizaciones que no pueden operar bien su infraestructura.
  • Otro insiste en que on-premise sigue siendo viable, más barato y más resiliente para quienes tienen las habilidades, pero reconoce que esa experiencia no escala.

Documentación, pruebas y “usar bien la IA”

  • Tema fuerte: la IA funciona mejor cuando está guiada por especificaciones sólidas, SOPs y redacción técnica; muchos equipos carecen de esta disciplina.
  • Algunos están usando IA para imponer patrones, generar pruebas y mejorar gradualmente la robustez; otros temen la “pornografía de orquestación” y la pérdida de comprensión humana.

Perspectiva general

  • No hay consenso en que “el software se esté rompiendo”, pero sí un amplio acuerdo en que:
    • La complejidad, el acoplamiento y los incentivos están desalineados con la fiabilidad.
    • La IA magnifica tanto los riesgos como las capacidades.
    • La industria atraviesa una transición turbulenta con pocas “mejores prácticas” acordadas para la era de la IA.