Durante décadas, programar se parecía a montar un mueble con un manual: paciencia, pasos pequeños y una atención constante para no equivocarse en una pieza. Con la llegada de la IA generativa aplicada al software, el manual se ha vuelto conversacional. Hoy, muchos desarrolladores ya no empiezan desde una hoja en blanco, sino desde una propuesta de código que sugiere un asistente. El resultado es uno de los primeros casos de uso empresariales realmente tangibles de la IA: reducir fricción en tareas repetitivas como escribir funciones estándar, crear tests, refactorizar, documentar o buscar errores.
Este cambio no se limita a aficionados. Según han declarado directivos de grandes tecnológicas, la IA ya participa en una parte significativa del código que se produce internamente: se ha citado que llega a rondar el 30% en Microsoft y supera una cuarta parte en Google. En paralelo, Mark Zuckerberg ha expresado su ambición de que gran parte del código de Meta sea escrito por agentes de IA en un futuro cercano. Estas cifras, difundidas en medios como MIT Technology Review, señalan una adopción que ya no es experimental: es estratégica.
Herramientas que “traducen intención” a software: GitHub Copilot, Cursor, Replit y compañía
En la práctica, el fenómeno se apoya en una nueva generación de asistentes de programación. Productos como GitHub Copilot, Cursor, Replit o Lovable han popularizado una idea potente: convertir una descripción en lenguaje natural en un prototipo funcional. Para mucha gente, esto se siente como pedir en una cafetería “un café con leche y poca espuma” y recibir algo muy parecido a lo que imaginabas, sin necesidad de entrar en la cocina.
El atractivo es claro. Quien programa a diario gana velocidad en tareas mecánicas: scaffolding de proyectos, creación de endpoints, pruebas unitarias, pequeñas migraciones, corrección de errores simples. Quien sabe poco o nada puede llegar a construir demos, webs o minijuegos con una sucesión de prompts bien escritos. Lo importante es entender qué ha cambiado: antes, la barrera era conocer la sintaxis; ahora, la barrera pasa a ser formular bien el problema, detectar fallos y saber cuándo el asistente se está inventando algo.
Cuando el asistente toma el volante: el auge del vibe coding
Una tendencia que está circulando con fuerza es el llamado vibe coding: dejar que el sistema proponga gran parte del código y aceptarlo con una confianza que, en otros tiempos, habría parecido temeraria. Es como cocinar guiándote solo por el olor: a veces sale un plato perfecto, otras veces confundes “huele bien” con “está bien cocido”.
En entornos de prototipado rápido, esta forma de trabajar puede ser útil. Si necesitas validar una idea, preparar una demo para un cliente o explorar una interfaz, el valor de ir rápido es alto. El problema llega cuando ese estilo se traslada sin filtros a productos que manejan datos sensibles, pagos, identidades o infraestructura. Ahí, “funciona en mi portátil” no es un estándar aceptable.
El punto ciego: alucinaciones, seguridad y código que parece correcto pero no lo es
La gran advertencia es conocida: la IA puede “alucinar”. En código, una alucinación no siempre se ve como un disparate; suele verse como algo plausible. Una función con buen nombre, comentarios convincentes, estructura limpia… y una lógica equivocada. Investigadores del MIT CSAIL han subrayado precisamente este riesgo: que el código generado por IA resulte verosímil y, aun así, no haga lo que dice que hace, o lo haga de manera insegura.
Aquí conviene usar una metáfora cotidiana: aceptar código sin revisión es como firmar un contrato porque “está bien redactado”. La redacción no garantiza que las cláusulas te beneficien. En software, el equivalente son fallos de seguridad, dependencias mal elegidas, validaciones incompletas o errores silenciosos que solo aparecen en producción.
La seguridad del software se vuelve especialmente delicada porque estos asistentes pueden sugerir patrones obsoletos o inseguros si el contexto del proyecto no está bien definido. También pueden introducir vulnerabilidades sin intención: un manejo incorrecto de autenticación, una consulta a base de datos sin sanitizar, un permiso de acceso demasiado amplio. Por eso, la destreza clave no es “saber pedir”, sino “saber revisar”: leer con ojo crítico, ejecutar tests, usar análisis estático, hacer revisión por pares y mantener un criterio de calidad.
El reto de las grandes bases de código: contexto, coherencia y memoria de proyecto
Otro límite importante aparece cuando el proyecto crece. En un repositorio pequeño, un asistente puede verse brillante: sugiere rápido, entiende archivos cercanos, mantiene coherencia razonable. En una base de código enorme, con patrones internos, decisiones históricas, convenciones propias y cientos de módulos, el problema se complica. La IA necesita contexto, y el contexto en software es como el “historial médico” de un paciente: sin él, el diagnóstico puede ser elegante y totalmente inadecuado.
Por eso están surgiendo empresas que intentan empujar esa frontera: se mencionan iniciativas como Cosine o Poolside trabajando en herramientas capaces de manejar proyectos grandes, con mejores capacidades para navegar dependencias, entender arquitectura y sostener cambios consistentes. La promesa es reducir el número de “parches” locales y aumentar las contribuciones que de verdad encajan en el sistema global.
El efecto colateral: menos oportunidades de entrada y un cambio en el camino profesional
Hay un impacto social que ya empieza a asomar: la reducción de puestos de nivel inicial. Si una parte del trabajo junior consistía en tareas mecánicas —corregir bugs pequeños, escribir tests sencillos, implementar features de baja complejidad—, la automatización de esas piezas recorta la necesidad de manos principiantes. Dicho de forma llana: los asistentes de programación pueden ayudarte a rendir mejor en tu empleo actual, pero no garantizan que sea más fácil conseguir el primero.
Este punto es incómodo porque afecta al “aprendizaje por fricción”. Tradicionalmente, mucha gente mejoraba enfrentándose a tareas pequeñas que enseñaban disciplina: leer logs, entender un stack trace, seguir un estilo de proyecto, hacer una revisión de código. Si esas tareas se delegan en la IA, el riesgo es formar perfiles que saben “pedir resultados” pero no entienden el porqué. Sería como aprender a conducir con piloto automático desde el primer día: llegas a destino, pero no sabes reaccionar cuando llueve, hay obras o falla el sensor.
Cómo sacar partido sin perder criterio: una relación sana con los asistentes
Usar IA generativa para programar funciona mejor cuando la tratas como una compañera rápida, no como una autoridad. Pídele propuestas, alternativas y explicaciones, pero somételas a verificación. Si el asistente escribe una función, pídele que plantee casos límite. Si sugiere una librería, solicita motivos, costes y riesgos. Si genera tests, revisa que de verdad cubren las rutas críticas. En entornos profesionales, integrar estas herramientas con buenas prácticas —CI, revisión por pares, políticas de dependencias, análisis de seguridad— es lo que convierte velocidad en valor.
El cambio cultural es profundo: pasamos de medir productividad por “líneas de código” a medirla por “decisiones correctas”. Quien domine esta transición tendrá una ventaja clara: saber convertir una intención en un sistema robusto, manteniendo la calidad como si fuera el cinturón de seguridad del proyecto. Porque la IA puede acelerar, sí, pero el destino lo sigue marcando el criterio humano.