Cuando los programadores ya no conciben trabajar sin IA

Según datos recogidos por TechCrunch, hay ya una fracción significativa de programadores que directamente se niegan a trabajar sin asistencia de IA. No como preferencia, sino como condición. El cambio de actitud es llamativo, pero lo que más preocupa a los investigadores citados en el artículo no es la dependencia en sí, sino lo que se esconde detrás del aumento de velocidad: el código generado con IA puede ser más rápido de producir y, al mismo tiempo, de menor calidad estructural que el que se escribe a mano.

La advertencia tiene miga. Velocidad y calidad no son lo mismo, y en ingeniería de software esa distinción tiene consecuencias que se acumulan con el tiempo: deuda técnica, comportamientos inesperados en producción y, sobre todo, una pérdida gradual de la capacidad para entender y depurar el propio código.

Más líneas por hora, pero ¿entendidas por quién?

El patrón que describen los investigadores es conocido en otros contextos: cuando una herramienta automatiza una tarea cognitiva, la habilidad para ejecutarla manualmente se atrofia. Ocurrió con el cálculo mental frente a las calculadoras, con la orientación espacial frente al GPS. Ahora empieza a documentarse de forma más sistemática en el ámbito del desarrollo.

El problema específico con el código generado por modelos de lenguaje es que el output puede parecer correcto —compila, pasa los tests superficiales, hace lo que se le pide en el happy path— sin que el programador haya interiorizado realmente por qué funciona o qué supuestos ocultos asume. Cuando ese código falla en producción, la persona que tiene que arreglarlo puede no tener el contexto necesario para hacerlo con rapidez.

Esto no es un argumento contra el uso de IA en el desarrollo. Es un argumento contra usarla como caja negra sin fricción crítica.

La trampa de la productividad medida en líneas

Parte del problema es de métricas. Si una empresa mide la productividad de sus ingenieros en velocidad de entrega o en volumen de código producido, la IA dispara esos números de forma inmediata y visible. Los problemas de calidad, en cambio, aparecen más tarde, son más difíciles de atribuir y no siempre se conectan con la causa original.

En equipos que ya trabajan con herramientas como Claude Code —la CLI oficial de Anthropic, que permite encadenar subagentes, invocar servidores MCP y automatizar flujos completos de desarrollo—, la tentación de delegar sin revisar es real. Las capacidades han crecido mucho: con una ventana de contexto de un millón de tokens en Claude Opus 4.7, un agente puede razonar sobre bases de código enteras. Pero razonar sobre código no es lo mismo que entenderlo con criterio de ingeniería.

Los equipos más maduros que hemos visto trabajar con estas herramientas en los últimos meses establecen revisiones de código más estrictas, no más laxas, precisamente porque saben que el volumen de output aumenta y que la supervisión humana tiene que compensarlo.

Para quién es relevante este aviso

Este debate importa especialmente en tres perfiles:

• Desarrolladores júnior, que pueden llegar a producir código de apariencia profesional sin haber construido los modelos mentales que les permitan depurarlo o extenderlo de forma sostenida.
• Equipos con poca cultura de revisión, donde el código generado con IA puede colarse en producción con menos escrutinio del que recibiría el escrito a mano, precisamente porque «lo ha hecho la IA».
• Empresas que evalúan a sus ingenieros por velocidad de entrega, que pueden estar incentivando implícitamente la delegación acrítica.

Los programadores senior con base sólida y que usan la IA como amplificador —no como sustituto del criterio— no están en el mismo riesgo. Para ellos, estas herramientas son genuinamente productivas sin comprometer su comprensión del sistema.

Opinión EP

El ritmo al que las herramientas de asistencia al código han madurado en el último año y medio es notable, y sería absurdo ignorarlas. Pero la industria haría bien en empezar a medir también lo que no se ve en el dashboard de productividad: si los equipos siguen siendo capaces de razonar sobre su propio código cuando la IA no está disponible, o si esa capacidad se está erosionando en silencio.