“Tu grado de entusiasmo con la IA es inversamente proporcional a la cantidad de conocimiento que tienes sobre el tema.”
— Fábio Akita
Esa frase me golpeó de lleno la primera vez que la escuché. No porque fuera una novedad — ya lo sentía de forma empírica. Sino porque Akita puso en palabras exactas lo que yo observaba en silencio cada vez que alguien me decía que la IA “lo va a cambiar todo” o que en dos años ya no habrá desarrolladores en el mercado.
Voy a ser directo: la IA no va a reemplazar mi trabajo. Pero no voy a usar esa afirmación como escudo de arrogancia corporativa. Voy a explicar el razonamiento — con datos, con honestidad y con la conciencia de que, para una porción real del mercado, el reemplazo ya está ocurriendo.
El contexto que no se puede ignorar
Los números son reales y merecen respeto:
- GitHub Copilot tiene más de 1,8 millones de suscriptores de pago (GitHub Octoverse 2024). En las empresas que lo adoptan, los desarrolladores reportan entre un 20% y un 55% de aumento de productividad en tareas de codificación.
- Cursor, el editor basado en IA, pasó de cero a más de 360 mil usuarios activos en menos de dos años. En rondas de inversión recientes fue valorado en más de US$2.500 millones.
- Modelos de lenguaje como Claude 3.5 Sonnet, GPT-4o y Gemini 2.0 hoy superan benchmarks técnicos que hace dos años habrían sido imposibles: generan pruebas unitarias, diseñan módulos completos, depuran stack traces y refactorizan código legado con calidad de senior en tareas bien delimitadas.
- El concepto de vibe coding — acuñado por Andrej Karpathy en febrero de 2025 — describe una nueva forma de crear software: describes lo que quieres en lenguaje natural, la IA lo genera, lo ajustas a ojo, sin necesariamente entender lo que se produjo.
El vibe coding es real. Es productivo en ciertos contextos. Y es exactamente ahí donde vive el peligro.
Lo que el vibe coding entrega bien
Para proyectos de alcance controlado — un script de automatización, un CRUD simple, una landing page, un prototipo de demostración — el vibe coding entrega rápido. Muy rápido. Una persona con habilidad en prompt engineering logra en horas lo que llevaría días en el modelo tradicional.
Eso tiene valor. No voy a restárselo.
Lo que el vibe coding no entrega
El vibe coding no entrega decisiones. Entrega código que parece funcionar. A veces funciona de verdad. A veces funciona en el contexto del desarrollador pero falla en producción bajo carga, con datos reales, en la hora pico de un martes a las 14h cuando el equipo de ventas lanzó una campaña no planificada.
La IA no sabe que la base de datos está en una VNet privada en Azure y que la connection string no puede pasarse como variable de entorno en texto plano porque la política de cumplimiento de la empresa exige Key Vault. La IA no sabe que aquella API de terceros tiene un límite de 100 solicitudes por minuto y que la solución que generó va a explotar en producción en menos de 15 segundos. La IA no sabe que la empresa ya intentó un enfoque similar hace dos años y el resultado fue un incidente que duró 4 horas.
Yo lo sé. Porque yo estaba ahí.
Por qué específicamente no seré reemplazado
Déjame ser preciso. No es vanidad — es análisis.
1. Mi trabajo principal no es escribir código
Escribir código es un medio, no un fin. El fin es entregar una solución que funcione dentro de las restricciones reales de un sistema real — restricciones de costo, de rendimiento, de compliance, de plazo, de capacidad del equipo que lo va a mantener.
La mayor parte de mi valor profesional está en preguntas que preceden a cualquier línea de código:
- ¿Este problema necesita resolverse con código? ¿O existe un servicio gestionado que ya lo resuelve?
- Si voy a usar un servicio en la nube, ¿qué nivel de SLA cabe en el presupuesto previsto?
- ¿Este microservicio necesita consistencia fuerte o basta con consistencia eventual? Esa decisión lo cambia todo.
- ¿Estamos poniendo lógica crítica de negocio en una capa que va a cambiar cada vez que el proveedor de nube lance una nueva versión de la función?
La IA genera código para cualquiera de esas opciones. No tiene el contexto para hacer la elección.
2. Conocer servicios en la nube — de verdad
Hay una diferencia enorme entre saber que un servicio existe y saber usarlo bien.
Saber que Azure Service Bus existe: la IA lo sabe. Saber que los mensajes con TTL expirado van a la Dead Letter Queue y que, si no la consumes, se acumulará y eventualmente generará alertas de capacidad que despertarán a alguien a las 3 de la mañana: eso es experiencia de producción.
Saber que AWS Lambda tiene cold start: la IA lo sabe. Saber que en determinado contexto con cargas intermitentes el cold start de una función en .NET puede hacer que el P99 de latencia sea inaceptable para el SLA contratado — y que la solución no es provisioned concurrency, sino repensar la arquitectura del servicio — eso es criterio que viene de haberse equivocado antes.
El ecosistema de la nube es gigantesco y cambia constantemente. Azure, AWS y GCP tienen cada uno cientos de servicios, y cada servicio tiene peculiaridades, límites, trampas e interacciones inesperadas con otros servicios. El conocimiento acumulado sobre ese ecosistema no puede sustituirse por un modelo que fue entrenado hasta cierta fecha y que con frecuencia alucina detalles de configuración con convicción absoluta.
3. Conocer múltiples tecnologías — y saber cuál usar
No se trata de saberlo todo. Se trata de tener un mapa mental suficiente para reconocer qué herramienta sirve al problema.
Cuando alguien me trae un problema de rendimiento en la lectura de una base de datos, tengo un repertorio de enfoques — caché distribuida, read replica, eventos precalculados, CQRS, desnormalización estratégica, paginación por keyset — y sé por el contexto cuál de ellos tiene sentido. No todos. El que tiene sentido aquí, ahora, con este equipo, dentro de este plazo.
La IA me da las opciones. A veces las enumera bien. Pero no tiene el peso del contexto. No sabe que el equipo de mantenimiento es pequeño y que introducir event sourcing ahora creará un problema de onboarding que costará más que el problema que resuelve.
4. Decisiones arquitectónicas: lo que funciona vs. lo que parece correcto
Esta es la parte más difícil de explicar a quien no la vivió, y la más importante.
Existen patrones arquitectónicos elegantes — CQRS, Event Sourcing, microservicios granulares, arquitectura hexagonal — que son técnicamente correctos, académicamente defendibles y desastrosos en determinados contextos organizacionales.
Un equipo de 3 devs que mantiene un sistema financiero legado no se beneficiará de una reescritura en microservicios asíncronos con event sourcing y una plataforma de mensajería distribuida. Producirá un sistema imposible de depurar, con una complejidad operacional que el equipo no puede absorber, y creará deuda técnica de un nuevo tipo donde antes había deuda técnica del tipo antiguo.
Saber cuándo no aplicar un patrón es tan valioso como saber aplicarlo. Eso no está en los libros. Está en las cicatrices.
La IA no tiene cicatrices. Tiene tokens.
El problema del mentiroso confiado
Hay una dinámica que observo con frecuencia — y que me preocupa genuinamente en el mercado:
La IA es un mentiroso confiado para quien no tiene conocimiento profundo.
No uso “mentiroso” como insulto al modelo. Lo uso como descripción técnica precisa: un LLM genera la respuesta más probable dado el contexto, no la respuesta más correcta. Cuando el espacio de posibilidades es vasto y el usuario no tiene cómo evaluar la calidad de la respuesta, el modelo puede generar — y con frecuencia genera — información incorrecta con el mismo tono, el mismo formato y la misma confianza aparente que cuando acierta.
Eso es peligroso cuando no tienes conocimiento para distinguirlo. Y es extremadamente productivo cuando lo tienes.
| |
La IA no sustituye la actuación humana en la programación, pero amplifica la capacidad de quien programa. No transforma a un profesional débil en uno mejor — solo ayuda a producir resultados débiles más rápido. En cambio, en manos de un desarrollador experimentado, la IA se convierte en un acelerador poderoso, que permite entregar código de alta calidad a un ritmo que antes exigía equipos enteros.
He visto a arquitectos experimentados usar Claude para generar esqueletos de código en minutos — y después revisarlos, ajustarlos, descartar partes y producir algo sólido en la mitad del tiempo que les llevaría sin la herramienta. La IA funciona como multiplicador de lo que ya saben.
He visto a desarrolladores junior usar la misma herramienta para generar código que pasó todas las pruebas locales, fue a producción y causó un problema de N+1 silencioso que solo apareció bajo carga real — porque no sabían qué preguntar, no sabían revisar y no tenían el repertorio para identificar que el código estaba mal incluso cuando parecía correcto.
Quién debe preocuparse — y por qué
Voy a ser honesto sobre lo que me preocupa:
Las tareas altamente repetitivas y bien delimitadas están siendo absorbidas por la IA. CRUD básico, pruebas unitarias para código simple, documentación, scripts de transformación de datos, código boilerplate. Eso es real. Está ocurriendo ahora.
¿Qué implica esto? Probablemente dos cosas:
La demanda de desarrolladores con bajo nivel de especialización va a disminuir. Quien se posicionó en el mercado como “escribo el código que me piden” va a sentir presión. No porque la IA sea mejor programadora — sino porque es más barata para ese tipo de tarea.
La demanda de desarrolladores que toman decisiones va a aumentar. A medida que aumenta la velocidad de producción de código, la necesidad de quien sabe qué producir, en qué orden y con qué arquitectura crece proporcionalmente.
El mercado no va a necesitar menos pensamiento. Va a necesitar menos tecleo.
Y el pensamiento — el juicio contextual, la experiencia de haber fallado de formas específicas, el conocimiento de cómo distintas piezas encajan en sistemas reales — sigue siendo humano.
Por ahora. No voy a mentir diciendo que ese “por ahora” es para siempre. Pero estamos lejos de un modelo que sustituya el juicio técnico contextualizado. Y mientras eso tarde, invertir en profundizar el conocimiento real sigue siendo la mejor estrategia.
Qué hacer con esto
Si estás al comienzo de tu carrera o quieres reposicionarte:
No uses la IA como sustituto del aprendizaje. Úsala como acelerador del aprendizaje.
Hay una diferencia crítica entre usar la IA para generar código que vas a estudiar y entender — y usar la IA para generar código que vas a entregar sin entender. El primer enfoque te hace mejor. El segundo crea una ilusión de competencia que se revelará en el peor momento posible.
Aprende los fundamentos que la IA asume que ya sabes: cómo fallan los sistemas distribuidos, cómo funcionan internamente las bases de datos, cómo se comportan realmente los servicios en la nube bajo carga, qué hace sostenible una arquitectura frente a lo que solo parece elegante en el diagrama.
Ese conocimiento no queda obsoleto cuando sale un nuevo modelo de IA. Se vuelve más valioso.
Conclusión
La IA es la herramienta más poderosa que he tenido en las manos en 20 años de carrera. La uso todos los días. Me hace más productivo de formas que no serían posibles sin ella.
Pero es una herramienta. Una herramienta extraordinaria en manos de quien sabe lo que está construyendo. Y una herramienta que genera convicción sin fundamento en manos de quien no lo sabe.
Mi diferencial no es teclear código más rápido. Nunca lo fue. Es saber — después de años de experiencia, de errores, de incidentes, de refactorizaciones dolorosas y de decisiones que funcionaron — qué construir, cuándo, cómo y por qué.
Eso la IA todavía no lo hace por mí. Y mientras no lo haga, mi trabajo sigue siendo mío.
Lee También
- GitHub Copilot: Agentes de IA, Modelos y Guía Completa
- Arquitectura de Software: GoF, Patrones y Microservicios
- El Programador Pragmático: lecciones prácticas del libro
- Diseño de API REST: Verbos HTTP y Parameter Binding
Referencias
- Andrej Karpathy — “Vibe Coding” (Twitter/X, febrero de 2025) — Definición original del concepto de vibe coding por el creador del término
- GitHub Octoverse 2024 — Datos sobre la adopción de Copilot y su impacto en la productividad
- GitHub — Research: Quantifying GitHub Copilot’s Impact — Estudio sobre el aumento de productividad con Copilot
- Fábio Akita — Canal de YouTube — Análisis técnicos y de carrera (en portugués), incluidos episodios sobre IA y el mercado de desarrollo
- DAIR.AI — Prompt Engineering Guide — Guía técnica sobre ingeniería de prompts y las limitaciones de los LLMs
- Gartner Hype Cycle for Emerging Technologies 2024 — Posicionamiento de la IA generativa en el ciclo de sobreexpectación tecnológica

Al comentar, aceptas nuestra Política de Privacidad, Términos de Uso, Política de Eliminación de Datos.