Las herramientas de IA para programar han pasado, en pocos años, de ser una curiosidad a integrarse en el trabajo cotidiano de muchos equipos. El fenómeno ya tiene etiqueta, vibe-coding, y describe una forma de desarrollar a partir de indicaciones en lenguaje natural, con menos intervención directa sobre el código. El resultado suele ser rápido y vistoso en demos, aunque no siempre encaja bien en proyectos reales.
Parte de su utilidad aparece cuando el problema está bien delimitado. Para cambios concretos, como refactorizar un bloque pequeño, paralelizar tareas, generar pruebas o entender el flujo de una base de código, la IA puede comportarse como un asistente eficiente. En esos casos, el valor no es solo “escribir” más, sino ahorrar tiempo de lectura y orientación, sobre todo cuando se trabaja con repositorios ajenos o documentación dispersa.
La distancia entre programar y hacer ingeniería de software se hace evidente cuando el trabajo consiste en conectar piezas y sostenerlas en el tiempo. Una aplicación de producción rara vez es un archivo aislado, y suele depender de servicios, colas de eventos, bases de datos, permisos, despliegue, monitoreo y mantenimiento. En sistemas distribuidos, además, una modificación pequeña puede provocar efectos secundarios difíciles de prever, y el costo aparece semanas después en forma de incidentes, degradación o deuda técnica.
Por eso, varios desarrolladores describen un cambio de rol más que una sustitución. La IA entrega un borrador que necesita edición, primero a nivel estructural, con decisiones de arquitectura, dependencias y límites claros, y luego a nivel de detalle, con pruebas, manejo de casos borde y limpieza de código. La diferencia la marca la capacidad de revisar, priorizar y decidir qué no se debe aceptar, incluso si el resultado “funciona”.
En materia de seguridad, el panorama también es menos binario de lo que suele mostrarse en redes. Un uso descuidado puede introducir vulnerabilidades o malas prácticas, especialmente si se copia y pega sin revisión, pero las mismas herramientas pueden ayudar a encontrar fallos con auditorías automatizadas, listas de verificación y generación de tests. La clave suele estar en el proceso, con revisiones serias, controles y responsabilidades claras, más que en la herramienta por sí sola.
El trasfondo remite a una tendencia conocida en la historia del software. La disciplina avanza por capas de abstracción, desde el control cercano al hardware hasta lenguajes cada vez más expresivos, y la IA podría ser otro escalón. El riesgo es que la comodidad erosione habilidades difíciles de recuperar, como comprender fundamentos, depurar sin apoyo o desarrollar criterio arquitectónico. Lo que cambia no es solo la velocidad para producir código, sino qué competencias se vuelven centrales para construir sistemas confiables.
