70% Completion Trap: Desafío final 30% para la codificación asistida por IA

Tras haber estado muy involucrado en el desarrollo asistido por IA durante los últimos años, he observado un fenómeno interesante. Mientras que los ingenieros informan de importantes aumentos de productividad gracias al uso de la IA, el software real que utilizamos a diario no parece ser significativamente mejor. ¿Qué ocurre?

Creo que sé por qué, y la respuesta revela algunos hechos básicos sobre el desarrollo de software que debemos afrontar. Permítanme compartir mis conclusiones.

Cómo utilizan realmente la IA los desarrolladores

He observado dos patrones diferentes en la forma en que los equipos desarrollan con IA. Los llamamos "guías" e "iteradores". Ambos ayudan a los ingenieros (e incluso a los usuarios no técnicos) a salvar la distancia entre la idea y la ejecución (o MVP).

Facilitador: De cero a MVP

Herramientas como Bolt, v0 y screenshot-to-code AI están revolucionando la forma de arrancar nuevos proyectos. Estos equipos suelen:

• Empezar con un diseño o concepto aproximado
• Utilizar la IA para generar una base de código inicial completa
• Obtenga un prototipo funcional en horas o días, ¡no en semanas!
• Centrarse en la validación e iteración rápidas

Los resultados pueden ser impresionantes. Hace poco vi a un desarrollador independiente utilizar Perno Convertimos el diseño de Figma en una aplicación web funcional en muy poco tiempo. Aún no está lista para la producción, pero es lo bastante buena como para recibir los primeros comentarios de los usuarios.

Iteradores: desarrollo diario

El segundo bando utiliza programas como Cursor, Cline, Copilot y WindSurf herramientas como ésta para los flujos de trabajo de desarrollo cotidianos. Es menos dramático, pero potencialmente más transformador. Estos desarrolladores son:

• Utilización de la IA para completar códigos y hacer sugerencias
• Aprovechamiento de la IA para tareas de reconfiguración complejas
• Generar pruebas y documentación
• Utilizar la IA como "programador en pareja" para resolver problemas

Pero aquí está el problema: aunque ambos enfoques pueden acelerar considerablemente el desarrollo, conllevan costes ocultos que no son visibles a primera vista.

El coste oculto de la "velocidad de la IA"

Cuando veas a un ingeniero senior utilizando Cursor tal vez Copiloto Parece magia cuando se trata de herramientas de IA como éstas. Pueden crear una función completa en cuestión de minutos, incluidas las pruebas y la documentación. Pero fíjate bien y te darás cuenta de algo fundamental: no se limitan a seguir los consejos de la IA. Lo hacen constantemente:

• Refactorización del código generado en módulos más pequeños y específicos
• Añadir la condición de borde ausente AI
• Mejora de las definiciones de tipos e interfaces
• Cuestionar las decisiones arquitectónicas
• Añadir un tratamiento exhaustivo de los errores

En otras palabras, están aplicando años de conocimientos de ingeniería adquiridos con esfuerzo para dar forma y limitar los resultados de la IA. La IA está acelerando sus implementaciones, pero son sus conocimientos los que van a mantener el código.

Los ingenieros noveles a menudo se saltan estos pasos críticos. Es más probable que acepten los resultados de la IA, lo que da lugar a lo que yo llamo "código de castillo de naipes": parece completo, pero se rompe bajo la presión del mundo real.

paradoja intelectual

Esto es lo más contraintuitivo que he encontrado: que las herramientas de IA ayudan más a los desarrolladores experimentados que a los principiantes. Esto parece retrógrado: ¿no debería la IA democratizar la codificación?

La realidad es que la IA es como tener un desarrollador junior muy ansioso en tu equipo. Pueden escribir código rápidamente, pero necesitan supervisión y corrección constantes. Cuanto más sepas, mejor podrás orientarles.

Esto crea lo que yo llamo la "paradoja del conocimiento":

• Las personas mayores utilizan la IA para acelerar lo que ya saben hacer
• El personal subalterno intenta utilizar la IA para aprender qué hacer
• Los resultados fueron muy diferentes

Veo que los ingenieros superiores utilizan la IA para:

• Crear rápidamente prototipos de ideas que ya entienden
• Generar implementaciones básicas que puedan mejorar posteriormente.
• Explorar alternativas a problemas conocidos
• Automatice las tareas rutinarias de codificación

Al mismo tiempo, el personal subalterno a menudo:

• Aceptación de soluciones incorrectas o anticuadas
• Falta de consideraciones clave de seguridad y rendimiento
• Dificultad para depurar el código generado por la IA
• Construir sistemas vulnerables que no comprenden del todo

70% Problema: La paradoja de la curva de aprendizaje de la IA

Un tuit reciente que me llamó la atención capta perfectamente lo que he observado en este campo: los no ingenieros que codifican con IA se encuentran con obstáculos frustrantes. Pueden completar 70% a un ritmo alarmante, pero al final 30% se convierte en un ejercicio de rendimientos decrecientes.

Esta "pregunta 70%" revela información clave sobre el estado actual del desarrollo asistido por IA. Al principio, el progreso parecía increíble: podías describir lo que querías y una herramienta de IA como v0 o Bolt generaba un prototipo funcional de aspecto impresionante. Pero luego llegó la realidad.

Modo de dos pasos hacia atrás

A continuación suele producirse un patrón predecible:

• Intentaste arreglar un pequeño error.
• AI sugirió un cambio que parecía razonable
• Este arreglo rompió algo más.
• Le has pedido a la IA que solucione un nuevo problema.
• Esto plantea a su vez dos cuestiones
• una y otra vez

Este ciclo es especialmente doloroso para quienes no son ingenieros, porque carecen de los modelos mentales necesarios para comprender lo que realmente ha fallado. Cuando un desarrollador experimentado se encuentra con un error, puede deducir las posibles causas y soluciones basándose en años de reconocimiento de patrones. Sin este bagaje, lo que se hace es jugar a la ruleta con un código que no se comprende del todo.

La continuación de la paradoja del aprendizaje

Aquí hay un problema más profundo: las mismas cosas que hacen que las herramientas de codificación de IA sean fáciles de usar para los no ingenieros -representan tu capacidad para lidiar con la complejidad- pueden en realidad obstaculizar el aprendizaje. Cuando el código "aparece" y no entiendes los principios subyacentes:

• No estás desarrollando habilidades de depuración.
• Te estás perdiendo de aprender los patrones básicos
• No se pueden extrapolar las decisiones arquitectónicas
• Tiene dificultades para mantener y desarrollar código

Esto crea una dependencia en la que hay que recurrir continuamente a la IA para resolver los problemas en lugar de desarrollar la propia experiencia para afrontarlos.

Falta de conocimientos

Los no ingenieros que más éxito han tenido en el uso de herramientas de codificación de IA han adoptado un enfoque híbrido:

1. Creación rápida de prototipos con IA
2. Tómese su tiempo para entender cómo funciona el código generado
3. Aprender conceptos básicos de programación utilizando la IA
4. Construir la base de conocimientos paso a paso
5. Utilizar la IA como herramienta de aprendizaje, no sólo como generador de código

Pero requiere paciencia y dedicación, lo contrario de lo que muchos esperan conseguir utilizando herramientas de IA.

Implicaciones para el futuro

El "problema 70%" sugiere que las actuales herramientas de codificación de la IA se consideran mejor así:

• Acelerador de prototipos para desarrolladores experimentados
• Ayudas al aprendizaje para quienes se comprometen a comprender el desarrollo
• Generador de MVP para la validación rápida de ideas

Pero aún no son la solución para democratizar la codificación que muchos esperan. Por último, 30% -la parte que hace que el software esté listo para la producción, sea mantenible y robusto- sigue requiriendo verdaderos conocimientos de ingeniería.

¿La buena noticia? A medida que mejoren las herramientas, es posible que la brecha se reduzca. Pero por ahora, el enfoque más pragmático es utilizar la IA para acelerar el aprendizaje, no sustituirlo por completo.

Lo que realmente funciona: un modelo práctico

Después de observar a docenas de equipos, esto es lo que he visto que funciona sistemáticamente:

1. Modelo "AI primer borrador

• Deja que la IA genere una aplicación básica
• Revisión manual y refactorización para la modularidad
• Añadir un tratamiento exhaustivo de los errores
• Redactar pruebas exhaustivas
• Documentación de las decisiones clave

2. Modelo de "diálogo continuo

• Iniciar un nuevo chat AI para cada tarea diferente
• Centrarse en el contexto y minimizarlo
• Revisión y presentación frecuente de cambios
• Mantener un estrecho circuito de retroalimentación

3. Modelo "Confiar pero verificar

• Generación inicial de código mediante IA
• Revisión manual de todas las rutas críticas
• Casos extremos de pruebas automatizadas
• Realizar auditorías de seguridad periódicas

Mirando al futuro: ¿cuál es el verdadero futuro de la IA?

A pesar de estos retos, soy optimista sobre el papel de la IA en el desarrollo de software. La clave está en entender para qué es realmente buena:

1. Aceleración conocida
   La IA es buena para ayudarnos a darnos cuenta de patrones que ya entendemos. Es como tener un programador gemelo infinitamente paciente que puede teclear muy rápido.
2. Explora las posibilidades
   La IA es ideal para crear rápidamente prototipos de ideas y explorar distintos enfoques. Es como tener un cajón de arena en el que podemos probar conceptos rápidamente.
3. Rutina de automatización
   La IA reduce enormemente el tiempo dedicado a muestras y tareas de codificación habituales, lo que nos permite centrarnos en problemas interesantes.

¿Qué significa eso para usted?

Si estás empezando con el desarrollo asistido por IA, estas son mis recomendaciones:

1. Empezar poco a poco
   • Utilizar la IA para tareas aisladas y bien definidas
   • Revisar cada línea de código generado
   • Mayor funcionalidad progresiva
2. Mantener la modularidad
   • Divídalo todo en documentos pequeños y específicos
   • Mantener interfaces claras entre los componentes
   • Documentar los límites de los módulos
3. Confía en tu experiencia.
   • Utiliza la IA para acelerar, no para sustituir tu juicio
   • Cuestionar la generación de código que no parece correcto
   • Mantenga sus estándares de ingeniería

El auge de la ingeniería de software de agentes

A medida que nos adentramos en 2025, el panorama del desarrollo asistido por IA está cambiando radicalmente. Aunque las herramientas actuales han cambiado nuestra forma de crear prototipos e iterar, creo que estamos en la cúspide de un cambio aún más importante: el auge de la ingeniería de software basada en agentes.

¿Qué quiero decir con "agente"? Estos sistemas no se limitan a responder a indicaciones, sino que planifican, ejecutan e iteran soluciones con creciente autonomía.

Si estás interesado en aprender más sobre proxies, incluyendo mis pensamientos sobre Cursor/Cline/v0/Bolt, puede que te interese.

Ya estamos viendo los primeros signos de esta evolución:

De respondedores a colaboradores

La herramienta actual espera principalmente nuestras órdenes. Pero echa un vistazo a las características actualizadas como Antrópico existe Claude (a) el uso de ordenadores en un ordenador, o Cline La capacidad de lanzar automáticamente navegadores y ejecutar pruebas. No se trata solo de autocompletar, sino de comprender la tarea y tomar la iniciativa para resolver el problema.

Piense en la depuración: estos agentes no se limitan a sugerir correcciones:

• Identificación proactiva de posibles problemas
• Puesta en marcha del conjunto de pruebas
• Inspección de elementos de la interfaz de usuario y captura de pantallas
• Proponer y aplicar medidas correctoras
• Verificar que la solución funciona (esto puede ser un gran problema)

El futuro multimodal

Las herramientas de nueva generación pueden hacer algo más que manejar código: pueden integrarse a la perfección:

• Comprensión visual (capturas de pantalla de interfaz de usuario, modelos, diagramas)
• diálogo oral
• Interacción con el entorno (navegador, terminal, API)

Esta capacidad multimodal significa que pueden entender y utilizar el software como lo hacen los humanos, en general, no sólo a nivel de código.

Autónomo pero guiado

La idea clave que he sacado del uso de estas herramientas es que el futuro no consiste en que la IA sustituya a los desarrolladores, sino en que la IA se convierta en un colaborador cada vez más capaz que pueda tomar la iniciativa sin dejar de respetar la orientación y la experiencia humanas.

Los equipos más eficaces en 2025 pueden ser los que aprenden:

• Establecer límites y directrices claras para sus agentes de IA
• Construir potentes patrones arquitectónicos en los que puedan trabajar los agentes
• Creación de circuitos de retroalimentación eficaces entre las personas y las capacidades de IA
• Mantener la supervisión humana aprovechando la autonomía de la IA

Entorno de desarrollo en inglés

Como señala Andrej Karpathy:

"El inglés se está convirtiendo en el nuevo lenguaje de programación de moda".

Se trata de un cambio fundamental en la forma de interactuar con las herramientas de desarrollo. La capacidad de pensar con claridad y comunicarse con precisión en lenguaje natural se está volviendo tan importante como las habilidades de codificación tradicionales.

Este cambio hacia el desarrollo de las agencias exigirá que desarrollemos nuestras capacidades:

• Diseño de sistemas y pensamiento arquitectónico más sólidos
• Mejor especificación y comunicación de los requisitos
• Mayor atención a la garantía de calidad y la validación
• Mejorar la colaboración entre las personas y las capacidades de IA

¿El retorno del software como ingeniería?

Aunque la IA facilita más que nunca la creación rápida de software, corremos el riesgo de perder algo fundamental: el arte de crear experiencias realmente pulidas y de calidad para el consumidor.

Demostración de trampas de calidad

Esto se está convirtiendo en un patrón: los equipos están utilizando la IA para construir rápidamente demos impresionantes. El camino feliz funciona de maravilla. Los inversores y las redes sociales lo alaban. Pero, ¿qué pasa cuando los usuarios reales empiezan a hacer clic? Ahí es cuando las cosas se desmoronan.

Lo he visto con mis propios ojos:

• Mensajes de error que no significan nada para el usuario medio
• Casos extremos que provocan caídas de la aplicación
• Estados de IU desordenados que nunca se han limpiado
• Ignorar por completo la accesibilidad
• Problemas de rendimiento en dispositivos lentos

No se trata sólo de fallos P2: son la diferencia entre un software que la gente tolera y otro que la gente adora.

El arte perdido del embellecimiento

La creación de un verdadero software de autoservicio, en el que los usuarios no tengan que ponerse en contacto con el servicio de asistencia, requiere una mentalidad diferente:

• Obsesionado con la desinformación
• Pruebas con una conexión lenta
• Maneja con elegancia todos los casos extremos
• hacer que la funcionalidad sea descubrible
• Pruebas con usuarios reales, a menudo no técnicos

Esta atención al detalle (quizás) no puede ser generada por la IA. Proviene de la empatía, la experiencia y una profunda preocupación por el oficio.

Renacimiento del software personal

Creo que asistiremos a un renacimiento del desarrollo de software personal. A medida que el mercado se inunde de MVP generados por IA, los productos que destacarán serán los construidos por desarrolladores que sean

• Orgullosos de su artesanía
• Atención a los pequeños detalles
• Centrarse en la experiencia completa del usuario
• Diseñado para casos extremos
• Crear una auténtica experiencia de autoservicio

Irónicamente, las herramientas de IA pueden estar contribuyendo a este renacimiento. Al encargarse de las tareas rutinarias de codificación, permiten a los desarrolladores centrarse en lo más importante: crear software que realmente sirva y deleite a los usuarios.

subrayado

La IA no está mejorando nuestro software, porque la calidad del software (quizás) nunca ha estado limitada principalmente por la velocidad de codificación. Las partes difíciles del desarrollo de software -comprender los requisitos, diseñar sistemas mantenibles, tratar los casos extremos, garantizar la seguridad y el rendimiento- siguen requiriendo el criterio humano.

Lo que hace la IA es permitirnos iterar y experimentar más deprisa, y al explorar con mayor rapidez podemos llegar a mejores soluciones. Pero sólo si mantenemos nuestra disciplina de ingeniería y utilizamos la IA como una herramienta, no como un sustituto de las buenas prácticas de software. Recuerda: el objetivo no es escribir más código más rápido. El objetivo es crear mejor software. Bien utilizada, la IA puede ayudarnos a conseguirlo. Pero aún depende de nosotros entender qué significa "mejor" y cómo conseguirlo.

¿Cuál es tu experiencia con el desarrollo asistido por IA? Me encantaría conocer tus historias y opiniones en los comentarios.