Cuando la IA escribe el código: habilidades de ingeniería que ganan valor

Escribir código se está convirtiendo en la parte fácil del trabajo de desarrollo de software. Decidir qué se debe crear, revisar lo que genera la IA y reconocer cuándo está equivocada son las habilidades que realmente importan ahora.

Constantemente surge una pregunta: si la IA puede escribir la mayor parte del código, ¿qué queda para los desarrolladores? Es una pregunta incorrecta. Una mejor sería preguntar qué debería aprender alguien que inicia su carrera en software hoy en día y que la IA no pueda reemplazar fácilmente.

Claramente algo ha cambiado. Herramientas como Claude Code, Codex, Copilot, Cursor y similares han ido más allá de la función de autocompletado. Pueden leer repositorios completos, editar varios archivos, ejecutar comandos, escribir pruebas, resolver errores y seguir trabajando en una tarea hasta que esté terminada. En particular, Claude Code ha trascendido con creces la función de “escribirme una función” y actúa más bien como un agente de ingeniería que opera dentro del repositorio. Eso cambia por completo el trabajo.

El código se está volviendo barato

Hace poco, un desarrollador podía dedicar medio día a una sola función. Ahora se puede describir esa función a un agente:

Add JWT authentication.
Create login and refresh-token APIs.
Add PostgreSQL persistence.
Write integration tests.
Run the test suite.
Fix failures.

Luego el agente comienza a trabajar. Crea archivos, edita las clases existentes, ejecuta pruebas, se encuentra con errores, ajusta la implementación y vuelve a ejecutar las pruebas. Todo esto ya no es algo hipotético.

Lo que destaca es que el desarrollador no ha desaparecido del proceso. El desarrollador se ha convertido en la persona responsable del resultado, y esa distinción es importante.

Hacia dónde apunta el ejemplo de Anthropic

Anthropic es una de las ilustraciones más claras, ya que allí se utiliza Claude Code para un desarrollo serio. Su creador, Boris Cherny, ha hablado públicamente sobre cuánto ha cambiado la ingeniería dentro de la empresa, y los informes de principios de este año describen cómo la IA produce casi todo el código en algunos de sus flujos de trabajo de ingeniería.

Los desarrolladores deben centrarse en una consecuencia: más código generado no significa menos trabajo de ingeniería. Puede significar más responsabilidad. Digamos que Claude genera 5,000 líneas. Ahora alguien tiene que responder:

Is the architecture correct?

Is authentication secure?What happens under 10,000 requests?Can this transaction fail halfway?Will this leak memory?What happens when Redis is unavailable?What happens when the database is slow?Did the AI introduce a race condition?

La IA puede encargarse de la implementación, pero usted sigue siendo responsable de las consecuencias.

Un debate más amplio al respecto

Según informes públicos, Jacob Coxon, exinvestigador de Anthropic, anunció su renuncia en septiembre de 2026. Su advertencia no se refería a si Claude es capaz de escribir JavaScript decente o a si la IA puede crear una API Spring Boot. Se trataba de hacia dónde se dirigen los sistemas de IA cada vez más capaces. Se dice que su publicación en X llegó a más de 100 millones de personas, donde argumentaba que los principales laboratorios avanzan demasiado rápido hacia sistemas autónomos y potencialmente peligrosos.

Tiene peso porque proviene de alguien que trabajó dentro de una empresa que desarrolla esta tecnología. El debate se ha vuelto lo suficientemente serio como para que el CEO de Anthropic, Dario Amodei, también haya abogado por un ritmo más lento en el desarrollo de tecnologías de vanguardia y por una evaluación independiente más rigurosa de los sistemas de IA.

Así que 2026 presenta una imagen curiosa. Un grupo sostiene que la IA puede acelerar drásticamente el desarrollo de software. Otro, formado por quienes crean estos sistemas, afirma que todos deberían ser mucho más cautelosos con hacia dónde conduce esa aceleración. Ambas opiniones pueden ser ciertas al mismo tiempo.

El mayor error

El mayor error no es evitar la IA, sino utilizarla sin comprender qué produce. Tomen esto como ejemplo:

@GetMapping("/users")
public List<User> getUsers() {
    return userRepository.findAll();
}

Una IA puede escribir eso en dos segundos. ¿Debería lanzarse al mercado? Quizás. Pero, ¿qué pasa si la tabla contiene 20 millones de filas? ¿Y si no hay paginación? ¿Qué ocurre si el endpoint es público, o el tipo User contiene campos sensibles, o cinco mil personas lo usan simultáneamente? El código es técnicamente válido, pero la decisión de ingeniería aún podría ser terrible. Esa es la diferencia.

Qué aprender en su lugar

Quien comience en 2026 haría bien en dedicar menos tiempo a memorizar sintaxis y más a entender cómo funcionan realmente los sistemas:

• diseño de sistemas y sistemas distribuidos
• bases de datos, APIs y redes
• seguridad
• depuración y pruebas
• Rendimiento y observabilidad
• infraestructura en la nube
• cómo funcionan los agentes de IA

Escribir código sigue siendo importante, pero la medida de un desarrollador deja de centrarse en las líneas escritas para orientarse hacia la capacidad de transformar un problema complejo en un sistema fiable. La IA ya es muy buena para tareas como estas:

Write this.
Refactor this.
Explain this.
Test this.
Fix this.
Convert this.

El desarrollador cada vez más valioso es aquel que puede responder con algo como esto:

Don't build it this way.
Here's why.
Here's the simpler architecture.
Here's the failure mode you missed.
Here's what we should measure in production.

La IA no elimina la necesidad de pensar

Aquí está lo incómodo: la IA facilita la programación, pero eso puede generar programadores menos competentes si dejan de pensar. Ya existen pruebas al respecto: un estudio de Anthropic reveló que los desarrolladores que utilizaban ayuda de IA obtuvieron peores resultados en pruebas de comprensión al aprender bibliotecas de programación desconocidas, a pesar de que la IA genera reales mejoras en productividad en otros contextos.

La lección no es dejar de usar la IA, sino evitar ceder por completo el proceso de aprendizaje. Cuando Claude escribe una solución, léela, analízala, cámbiela. Pregúntate por qué funciona y dónde falla. Intenta crear una versión más simple a mano y luego vuelve a recurrir a la IA. Eso supera con creces este ciclo vicioso:

Prompt → Copy → Commit → Next task

El nuevo ingeniero de software

El ingeniero no desaparece, pero el trabajo se vuelve más complicado. Un desarrollador junior que solo convierte requisitos en código CRUD se encuentra en una posición mucho más débil que antes. Quien comprende el problema empresarial, la arquitectura, la seguridad, cómo falla la producción y cómo utilizar herramientas de IA se vuelve drásticamente más capaz. Un ingeniero con buenos agentes ahora puede explorar ideas que antes requerían un equipo pequeño.

Eso es emocionante, pero también peligroso, porque cuando producir software se vuelve más económico, el software de mala calidad también lo es. Pronto podrían existir millones de aplicaciones escritas con IA. Crearlas no será difícil; saber cuáles merecen existir sí lo será.

Qué hacer como desarrollador hoy en día

Competir con la IA a la hora de escribir código es un juego perdido. Utiliza la IA de manera intensiva y sé excelente revisándola. Aprende cómo fallan los sistemas reales. Entiende la base de datos detrás de la API y lo que ocurre después del despliegue. Estudia la seguridad y cómo funcionan los agentes. Mantén la capacidad de crear algo sin la IA cuando sea necesario.

El futuro probablemente no será humano contra IA. Está más cerca de un desarrollador con IA contra uno sin ella. Y, a un nivel superior, los desarrolladores que comprenden qué construir, por qué construirlo y cuándo no hacerlo podrían resultar más valiosos que aquellos que simplemente generan código. La IA está haciendo que el código sea más económico y, al mismo tiempo, hace que el juicio ingenieril tenga aún más valor.

Lecturas relacionadas

• ¿Quién escribe el código cuando los agentes se unen al flujo de trabajo? — Asocia a los asistentes de codificación desde la función de autocompletado hasta los enjambres, y relaciona los niveles con el radio de acción, las pruebas y las etapas de revisión.
• Habilidades más MCP: las herramientas proporcionan recursos, las habilidades enseñan el flujo de trabajo — MCP expone las capacidades disponibles; el paquete Skills organiza los flujos de trabajo y establece límites para que los agentes sepan qué herramientas usar, en qué orden y cuándo solicitar aprobación.
• Cinco niveles de proyectos de ingeniería de IA, desde chatbots hasta agentes automejorables — Una escalera con cinco niveles de proyectos de ingeniería de IA, que van desde envoltorios de API hasta RAG, agentes, sistemas multiagente y bucles de automejora, con una actividad práctica para cada nivel.