Appearance
Implementar ya no cuesta: entender sí
La seducción de la IA que rompe los instintos de ingeniería
En los últimos dos años, algo sutil ha cambiado en la ingeniería de software, y la mayoría lo hemos sentido aunque no sepamos nombrarlo. Los equipos reportan ser drásticamente más productivos. El código se escribe más rápido, los prototipos aparecen antes, y la distancia entre una idea y un sistema funcionando se ha desplomado. Y sin embargo, el software del que dependemos cada día no se siente proporcionalmente mejor. En muchos casos, se siente más difícil de entender, más difícil de cambiar y más frágil que antes.
La sensación es familiar: todo funciona hasta que intentas cambiarlo.
Esto no es porque las herramientas de IA sean malas. Funcionan extraordinariamente bien en lo que optimizan: acelerar la implementación. Pero la ingeniería de software nunca estuvo limitada principalmente por la velocidad a la que se podía escribir código. Las partes difíciles — entender requisitos, diseñar sistemas y gestionar la complejidad a lo largo del tiempo — no se han vuelto más fáciles. Si acaso, se han hecho más visibles ahora que nada más te frena.
Lo que ha cambiado no es la naturaleza del software, sino dónde viven las restricciones.
Serie sobre modelos mentales
Este artículo continúa mi serie sobre modelos mentales prácticos para ingeniería en startups, dirigida a fundadores e ingenieros que quieren entregar rápido sin ahogarse en complejidad autoinfligida.
Modelo Mental 1: AI YAGNI
La ingeniería de software nunca estuvo limitada por cuánto código se podía producir. Estaba limitada por cuánto cambio pueden absorber cognitivamente los humanos: cuánta complejidad un equipo puede entender, mantener en su cabeza, razonar de forma segura y modificar sin romper cosas que olvidaron que existían.
La velocidad de implementación solía ser tan lenta que este límite era invisible. La tasa de creación de código se mantenía naturalmente por debajo de la tasa de comprensión humana. No podías superar tu propio entendimiento porque construir tardaba demasiado.
La IA rompió ese equilibrio.
El código ahora se genera más rápido de lo que los equipos pueden absorber. La tasa de producción supera la tasa de comprensión, y la brecha se amplía en cada sprint. Como resultado, los sistemas crecen más allá de lo que cualquier individuo puede mantener en su cabeza, más allá de lo que la documentación puede capturar, más allá de lo que un onboarding puede transmitir.
Una forma más actual de verlo es la "deuda de comprensión": código añadido más rápido de lo que el equipo puede internalizar. Informes de 2025 (como el de Ox Security) muestran que el código generado por IA frecuentemente carece de juicio arquitectónico, lo que lleva a sistemas inflados y difíciles de razonar. También los insights DORA de 2025 destacan la sobrecarga de validación: revisar los outputs de la IA añade carga cognitiva que contrarresta las ganancias de velocidad bruta.
Para recordar
- El verdadero límite en la ingeniería de software es la comprensión humana — cuánta complejidad un equipo puede entender y gestionar de forma segura.
- La IA expone este límite al hacer la producción de código rápida y barata, permitiendo que los sistemas crezcan más rápido de lo que nadie puede internalizar.
- La restricción se ha movido a nuestras mentes.
Modelo Mental 2: La Seducción de la IA
Un efecto que he notado trabajando con herramientas de IA es lo que llamaría la seducción. Cuando la implementación se siente casi gratuita, los equipos naturalmente empiezan a decir "sí" a más ideas. Una funcionalidad que antes requería días de planificación cuidadosa ahora aparece en horas tras un simple prompt, así que la tentación de añadir "solo una cosa más" crece porque el coste parece diminuto.
La gente empieza a explorar alternativas, a construir flexibilidad extra para necesidades futuras que solo imaginan, y a pulir detalles que nadie ha pedido todavía. Este patrón se siente altamente productivo en el momento, y esa sensación es profundamente seductora.
Sin embargo, cada adición incrementa silenciosamente lo que el equipo debe entender y mantener. Gran parte aborda problemas que nunca llegan realmente, así que el sistema carga peso permanente por victorias temporales.
El efecto aparece en varias prácticas conocidas que solían tener restricciones naturales:
| Práctica | Restricción anterior | Seducción de la IA | Resultado |
|---|---|---|---|
| Small Batches | La velocidad de desarrollo limitaba naturalmente el tamaño del lote | "Es fácil, añadamos más..." | El cambio llega más rápido que la comprensión |
| YAGNI | El coste de implementación suprimía la especulación | "La IA sugiere mejoras, ¿por qué no?" | La masa especulativa sobrevive y se enreda |
| Eliminar desperdicio | El esfuerzo manual hacía doloroso el código sin usar | "Ya lo limpiamos después" | El código muerto se acumula, la superficie mental crece |
| Aprendizaje del equipo | El progreso lento forzaba la comprensión compartida | "La IA se encarga de los detalles" | Conocimiento superficial, decaimiento del contexto |
Investigaciones recientes confirman este patrón: el informe de Ox Security de 2025 "Army of Juniors" describe cómo el código generado por IA frecuentemente funciona perfectamente de forma aislada pero sistemáticamente carece de juicio arquitectónico, lo que lleva a sistemas inflados que se sienten funcionales al principio pero se vuelven cada vez más frágiles.
La paradoja
- La IA elimina las restricciones naturales que nos mantenían ligeros. Para mantenernos sanos, debemos recrear esas restricciones mediante disciplina radical.
- Sin esta disciplina radical, la seducción gana por defecto, y la velocidad a corto plazo eventualmente colapsa bajo la deuda de comprensión oculta.
Modelo Mental 3: El Juicio es el Cuello de Botella
Como ya descubrimos, la IA acelera la implementación, no el pensamiento. Te mueve más rápido en cualquier dirección que ya hayas elegido. Pero no elige la dirección.
El cambio mental ocurre aquí. Cuando construir era lento, tenías tiempo para notar errores durante la implementación, para corregir el rumbo y aprender de los resultados. La lentitud creaba un colchón entre una mala decisión y sus consecuencias. Pero ese colchón ha desaparecido.
Las decisiones se vuelven reales casi inmediatamente. Si tu juicio fue incorrecto, encuentras los problemas en producción, no durante el desarrollo. Así que el verdadero cuello de botella ya no es qué tan rápido puedes construir, sino qué tan bien puedes decidir qué debería existir antes de que la IA lo construya.
Esto explica por qué los ingenieros senior son los que más ganan con la IA. Han acumulado instintos forjados a base de experiencia para rechazar ideas que luego se convertirán en lastres, para percibir cuándo un sistema se acerca a los límites de comprensión del equipo, y para reconocer que algo "fácil de añadir ahora" frecuentemente significa "doloroso de mantener para siempre". Los ingenieros junior luchan más porque esos instintos requieren años de repetición en el mundo real, y la IA no puede acortar ese plazo.
Cambios prácticos que adoptan los equipos exitosos
1. Las revisiones de prompts reemplazan los pull requests tradicionales
El prompt que generó el código revela la verdadera intención mucho mejor que el código en sí. Es mejor alinear prompts para asegurar que el objetivo sea claro y mínimo antes de que aparezca cualquier código.
2. Las conversaciones de arquitectura reemplazan las revisiones línea por línea
Es mejor enfocarse en contextos acotados, límites, dependencias y decisiones irreversibles. Preguntarse si el cambio respeta la forma general del sistema y si el equipo seguirá entendiéndolo meses después.
3. Cerrar el bucle de verificación
Diseñar flujos de trabajo para que los agentes de IA puedan confirmar su propio éxito a través de verificaciones automatizadas: compilar, lint, ejecutar tests, e idealmente validar resultados. Invertir tiempo en crear prompts reutilizables y ai-skills. Si un agente no puede verificar de forma fiable su propio trabajo, terminamos niñeándolo.
4. Importan los resultados, no la implementación ingeniosa
La mayor parte del código moderno son transformaciones de datos aburridas. Sorprendentemente, los ingenieros que mejor funcionan en este entorno son los que siempre priorizaron entregar productos valiosos por encima de resolver leetcode.
Conclusión
El verdadero cuello de botella ahora es la mente humana: cuánto cambio puede una persona entender, razonar y hacer evolucionar de forma segura. A medida que la implementación se vuelve trivial, el éxito depende de reconocer este cambio y reenfocar el esfuerzo de ingeniería en el juicio, la contención y la comprensión.
La IA no eliminó los límites de la ingeniería de software — los reubicó.