- Si recientemente has usado herramientas de IA para trabajo de programación profesional, comparte tu experiencia
- ¿Qué herramientas usaste?
- ¿Qué fue efectivo y por qué?
- ¿Qué dificultades enfrentaste y cómo las resolviste? (si es que las resolviste).
- Agradeceríamos que incluyeras suficiente contexto (stack tecnológico, tipo de proyecto, tamaño del equipo, nivel de experiencia) para que otras personas puedan aprender de tu experiencia
- El objetivo es entender de forma objetiva la situación real del desarrollo basado en IA a marzo de 2026, sin historias exageradas
Resumen de respuestas de Hacker News
Problemas con documentos y comunicación generados por IA
- Un gerente genera con Claude documentos de diseño de 50 páginas, PRD y decks de diapositivas y los envía diciendo “revísenlo rápido”, pero ni siquiera el propio autor los lee
- Algunos empleados generan diapositivas sin parar mientras evitan responder preguntas concretas
- Un problema de rendimiento de base de datos que antes se resolvía en 30 minutos (por ejemplo, agregando un GSI) ahora toma una semana debido a un documento de 37 páginas generado por IA (explicación, mitigación, plan, revisión, riesgos, despliegue, etc.)
- Aparece un patrón de comunicación “IA a IA” en el que, si se envía contenido generado por IA, el receptor también lo resume con IA
- En el flujo “concepto → inflado por LLM → resumen por LLM → receptor” existe el riesgo de perder contexto y matices, como en el teléfono descompuesto
- Se señala como una falta de respeto la expectativa asimétrica de que una parte produzca contenido de baja calidad y espere una revisión cuidadosa de la otra
- Caso de desconexión en el que un cliente freelance envía especificaciones excesivamente sofisticadas creadas con IA, pero en realidad quiere una tabla CSV de 30 filas
Experiencias negativas en el entorno laboral
- Los desarrolladores senior resuelven todo con IA y luego trasladan el trabajo de limpieza a los desarrolladores junior
- El código generado por IA no sigue el diseño de API del proyecto principal e incluye grandes cantidades de manejo de errores y parsing innecesarios
- La limpieza tomó más de una semana, pero como el equipo original producía resultados casi de inmediato, el proceso terminó viéndose más lento
- Una gran empresa cotizada estableció la meta de alcanzar 100% de código generado por IA en un año y despidió a empleados de todos los niveles que se opusieron
- En una cultura que optimiza la velocidad de lanzamiento por encima de la calidad del código, los ingenieros que hacen trabajo de calidad quedan etiquetados como “ineficientes”
- Un integrante del equipo tomó código de semanas atrás y lo metió en Claude para entregarlo como si estuviera terminado, pero incluía errores de requerimientos de negocio y muchos bugs graves
- En entornos donde el uso de IA es obligatorio, la carga de revisión de código aumenta drásticamente y hay que revisar diariamente miles de líneas de PR de baja calidad
- “Me quitaron todo lo que me gustaba y solo dejaron lo que odiaba”
Experiencias en FAANG y grandes empresas
- Empleado de FAANG: en el trabajo nunca obtuvo un resultado listo para hacer commit, aunque en proyectos personales logró una mejora de velocidad de 10x
- Los frameworks y librerías internas de un gran codebase no están en los datos de entrenamiento, así que la visibilidad del modelo es limitada
- Dentro del equipo prácticamente no conoce a nadie con casos de éxito reales
- Ingeniero de Amazon: usa Kiro (herramienta interna de AWS) y Opus 4.6, con mejoras de productividad de 2 a 4 veces en el trabajo y más de 10 veces en negocios paralelos
- Lo usa no solo para escribir código sino también para análisis de datos, debugging y manejo del loop de despliegue
- Implementó en 2 semanas una funcionalidad que antes habría tomado un mes: la clave fue ahorrar tiempo en aprender detalles técnicos que no volvería a usar
- Sobre una caída de Amazon: la supuesta prohibición del código generado por IA no era cierta; durante el incidente solo hubo un caso relacionado con IA, basado en una recomendación de una wiki interna antigua
- Ingeniero de Microsoft: con GitHub Copilot y uso ilimitado de Opus, el trabajo se aceleró, pero las expectativas subieron en exceso (de 2 semanas a esperar 2 días)
- I+D en una gran empresa: el mayor valor está en seguir bugs y generar código de logging de un solo uso, y la velocidad de prototipado también mejoró drásticamente
- Sin embargo, al bajar el costo de implementación, la competencia por decidir “qué construir” se intensifica y exige pensar más rápido y juzgar con más claridad
Casos positivos y mejoras de productividad
- Ingeniero con 10 años de experiencia, equipo pequeño: construye y mantiene una app de consumo con 100K DAU entre 3 personas, algo que antes habría requerido unas 10
- No tienen lista de bugs, dos personas entienden casi todo el codebase y la frecuencia de refactorización aumentó mucho
- Simon Willison: desde noviembre de 2025 escribe la mayor parte del código con agentes, incluso trabajando desde Claude Code en iPhone
- Implementó en horas proyectos que llevaba años imaginando, replanteando lo que puede lograr un desarrollador en solitario
- Aprendió un nuevo lenguaje mediante aprendizaje por ósmosis mientras escribía una app en Go con Claude Code
- Freelance experimentado: tras usar Claude Code, logró 95% de precisión en Terraform y fue más de 5 veces más rápido en proyectos de procesamiento de datos
- “Ahora puedo hacer cosas que antes no podía; lo difícil se volvió fácil, y lo fácil se volvió rápido y fácil”
- Estudio pequeño de videojuegos: lo usa para mejorar herramientas internas y workflows; cuanto más cerca está de la idea, más efectivo es el código con IA
- Dueño de una pequeña cervecería: automatizó la contabilidad (de 16 horas/mes a 3 horas), reportes de producción y ventas, apps de seguimiento de recompensas y más de 5 herramientas internas
Uso para entender codebases y hacer debugging
- En codebases grandes y legacy, sirve para preguntas como “¿qué funciones tocan esta tabla?”
- Navegación de un gran monolito: ante la pregunta “¿cuántas formas de autenticación tienen los endpoints de API?”, encontró y resumió 4 en 5 minutos
- Debugging: excelente para entender por qué una regex compleja no hace match, así como para analizar stack traces y logs
- El tiempo de onboarding en un codebase desconocido se redujo de días a minutos
- Reemplaza por completo el proceso de “preguntarle a un colega en India o Europa del Este y esperar hasta el día siguiente”
Preocupaciones sobre calidad de código y mantenimiento
- Problemas constantes del código generado por IA: complejidad innecesaria, manejo excesivo de errores, lógica duplicada y no reutilizar funciones existentes
- Para código que requerirá mantenimiento, escribirlo directamente es más rápido a largo plazo: luego cuesta modificar código generado por IA porque no existe un modelo mental claro
- Caso en que Claude intentó reemplazar un sanitizador HTML con una regex personalizada: las pruebas pasaban, pero introducía una vulnerabilidad de seguridad
- Caso de una API con autenticación en la que se agregó una ruta que permitía a cualquiera hacer PUT de nuevas API keys
- La IA casi nunca hace refactorizaciones proactivas para reducir la complejidad del codebase, y sigue acumulando lógica duplicada, abstracciones innecesarias y dependencias circulares
- También hubo un caso de un codebase de 200K LOC escrito en 99.5% por IA, pero con la condición de TDD estricto y revisión línea por línea
Deterioro de habilidades e impacto psicológico
- “Conozco bien mi estilo de pereza, así que mis habilidades se van a deteriorar” — decisión de no usar generación de código con IA en absoluto
- Un colega admitió depender de la IA desde hace 6 meses y, aunque intenta dejarla, recae fácilmente, casi como una adicción
- Un desarrollador junior fue enviando MR cada vez más extraños durante el último año, y se encontraron señales de uso de IA
- Ingeniero senior: “Sé que mis habilidades de programación se están deteriorando, pero no estoy seguro de que programar fuera la parte que realmente disfrutaba” — ahora dedica más tiempo a diseño y arquitectura
- En proyectos personales construye 10 veces más rápido con IA, pero no siente conexión porque “no lo hice yo”, y pierde motivación antes de terminar
- “La IA hace bien la parte que me gustaba y me deja más tiempo en la parte que me disgusta o me agota” — aumenta el estrés general
- Ingeniero con 3 años de experiencia: la IA puede hacer el 90%, pero para resolver el 10% restante se necesita el modelo mental de ese 90%, y eso solo se forma programando directamente
Workflows efectivos y mejores prácticas
- El flujo especificación → plan → crítica → mejora del plan → implementación produce los mejores resultados
- Se usa Plan Mode antes de implementar y luego se añade una revisión de código con el mismo modelo (idealmente en otra sesión)
- Documentar estilo de programación, patrones y prohibiciones en archivos AGENTS.md / CLAUDE.md, y actualizarlos al terminar cada sesión
- Darle al agente capacidad de debugging y verificación por sí mismo: ejecutar pruebas, revisar logs, validar capturas de pantalla, etc.
- Si se especifican restricciones por adelantado (“solo librería estándar, sin archivos nuevos, menos de 50 líneas”), la calidad del resultado mejora drásticamente
- Operar un archivo de estado (mechanical ledger) entre varios agentes: registrar commits, pruebas y fallas de parches para que una nueva sesión reconstruya el contexto desde el estado real, no desde memoria
- Usar Git worktree para llevar varias tareas en paralelo mientras se separa el contexto
Roles no técnicos y expansión de la IA
- PM/director de operaciones: en una empresa pequeña sin programadores, construyó 12 herramientas internas en el último año y aprendió conceptos de desarrollo a una velocidad sorprendente
- Cofundador no técnico: puede crear prototipos funcionales, pero para llevarlos a producción sigue haciendo falta un ingeniero; el pair programming resulta más productivo que un documento de diseño
- Un gerente no técnico dedicó una sesión de 3 horas en pareja a depurar código ESRI Arcade generado por MS Copilot — el rol de “experto en debugging de IA” surge como un nuevo trabajo facturable
Diferencias de efectividad según el dominio
- Desarrollo web/API: calificación A, efectivo en todo el stack, desde arquitectura hasta debugging de compatibilidad de paquetes
- Unity/desarrollo de videojuegos: calificación C-, no logra entender el scene graph, el modelo de componentes ni comportamientos dependientes del hardware
- Imagen médica: falla por falta de conocimiento especializado; las sugerencias de optimización de rendimiento no mejoraron nada en datos reales
- Aplicaciones en Rust: funciona bien en Python/web greenfield, pero en apps Rust de menos de 100K LOC los workflows con agentes son improductivos
- Procesamiento de señales, embebidos, HPC: alta frecuencia de alucinaciones y casi inutilidad total cuando hay que trabajar con APIs externas no documentadas
- Algoritmos de grafos en C++: el resultado es extremadamente no lineal — o acierta de una vez o falla por completo, sin punto medio
Perspectivas y preocupaciones de la industria
- “En 5 a 7 años, la ceguera de CEOs/CFOs respecto a la IA provocará una escasez grave de talento y salarios 3 veces mayores”
- Preocupación de que desaparezca la capa intermedia y solo quede un pequeño grupo de seniors que definan dirección, coordinen y ejecuten
- La IA está entrando en una fase de auto-mejora recursiva, y es imposible predecir hasta dónde llegará en 6 meses
- Un paper del MIT confirmó límites del escalado en anchura (width scaling) de los modelos, junto con el agotamiento de datos de entrenamiento y la degradación de calidad en datos sintéticos
- “O todos perderemos el trabajo, o se acerca un colapso masivo del mercado, o ambas cosas” — una época fascinante pero inquietante
- Mercado freelance: quienes viven de relaciones de largo plazo todavía no perciben desaceleración, pero los trabajos pequeños y puntuales sí podrían ser reemplazados por IA
La elección de no usar IA
- Antes de usar LLM ya existía automatización creada por colegas, pero la IA se siente como cuidar a un junior torpe, así que se perdió el interés
- “Una trampa que no resuelve ningún problema y solo introduce problemas nuevos” — decidió prohibir por política el uso de IA en su propio trabajo
- En robótica, usando C++ y Python, al intentar programar con IA solo obtuvo basura que medio funciona, y explicar las cosas en lenguaje natural resulta doloroso
- El proceso de programar directamente para pensar la arquitectura del código y su futuro técnico tiene un valor que jamás se puede delegar
1 comentarios
Opiniones en Hacker News
Últimamente lo más duro es que los managers generan documentos de diseño o PRD de 50 páginas con Claude y me los mandan diciendo “revisa esto”
Nadie los lee, ni siquiera quien los escribió los entiende. Algunos empleados también generan decks de diapositivas interminables y, si les haces preguntas, responden con evasivas
Incluso gente que llevaba mucho tiempo sin programar volvió a proponer código gracias a la IA, pero con ideas bastante raras
Yo escribo el código de producción a mano y solo uso IA para revisar bugs. A lo mucho le dejo scripts simples para pruebas de carga
También depende del ambiente del equipo, pero la IA de verdad hizo que el trabajo se volviera aburrido y agotador
Estaba implementando una funcionalidad grande y unos compañeros metieron mi código viejo en Claude y me trajeron lo que llamaban la “versión final”
El resultado tenía mal los requisitos de negocio y estaba lleno de bugs. La intención de mejorar mi código era buena, pero la actitud de “Claude lo va a terminar” fue insultante
Ya ni existe la libertad de decir “no sé”. Como una sola línea de prompt te da una respuesta, hasta los developers backend terminan cargando también con frontend
En la empresa, gracias a la IA el trabajo se convirtió en una limpieza interminable
Los developers de más arriba me pasan código hecho con IA y luego me toca sufrir ordenándolo
Por ejemplo, un equipo hizo una funcionalidad que había que integrar al codebase principal, pero el diseño del API no encajaba en absoluto y había montones de código innecesario
Al final se retrasó más de una semana mientras yo refactorizaba todo, y encima yo era quien parecía lento
En cambio, en proyectos personales sí es divertido experimentar y aprender rápido gracias a la IA
Pero en la empresa ya se ve un futuro donde los desarrolladores de nivel medio desaparecen. Solo quedarían líderes y juniors, y esa capa intermedia se iría reduciendo cada vez más
Yo no uso IA en absoluto. Conozco demasiado bien mi propio estilo de pereza, así que sé que si empiezo a usarla mis habilidades se van a atrofiar
Un compañero ya sintió eso mismo y dejó de generar código, pero dice que es tan cómodo que parece una adicción
Otro colega también paró porque siente que el código de IA no sirve para mantenimiento. En cambio la usa solo para hacer preguntas
Un junior, de hecho, sí empeoró. Se nota clarísimo la estructura del código que le escribió la IA
Si estoy apurado, lo uso solo un momento como referencia de API
Pero el argumento de que no se puede dar mantenimiento al código hecho por IA no me resulta lógico. Si no te gusta, lo vuelves a generar
De hecho, ya vi casos donde la IA reescribió frameworks completos
El valor de un ingeniero está en la comprensión. La automatización sin comprensión degrada el capital humano
Soy ingeniero en Amazon y uso el arnés interno Kiro y Opus 4.6
Mi productividad mejoró entre 2 y 4 veces en la empresa, y más de 10 veces en proyectos paralelos
Antes tenía que quedarme hasta tarde, pero ahora incluso trabajando de 9 a 5 saco más funcionalidades
La IA sirve no solo para programar cosas simples, sino también para automatización de despliegues, análisis de datos y debugging
Por ejemplo, después de cambiar código, la IA se encarga del loop de desplegar en el entorno gamma y validar con logs de CloudWatch
Gracias a eso terminé en 2 semanas lo que antes era trabajo de un mes. No entiendo eso de que los SWE serán los primeros en automatizarse
Los LLM tienen límites, pero incluso al nivel actual ya están cambiando el panorama de la ingeniería de software
Aun así, me preocupa la explosión de código de baja calidad generado por IA
Trabajo en una FAANG. En el trabajo la IA casi no ayuda
Solo sirve más o menos para resumir documentos de diseño o buscar código. En la práctica nunca he recibido un commit que realmente funcione
Tampoco he visto gente a mi alrededor usándola con éxito.
Pero en proyectos personales, para tareas nuevas pequeñas, sí es claramente 10 veces más rápida
Supongo que es porque el codebase de la empresa es demasiado grande y complejo
El 95% funciona perfectamente, y hasta puedo prever dónde podrían aparecer problemas
Cuando un colega pidió un muestreo de datos, lo resolví en el momento
Antes era algo que tomaba horas; ahora lo termino en medio de la conversación
Lo que no podía hacer ahora sí puedo, lo difícil se volvió fácil y lo fácil se volvió más rápido
Hacer prototipos es más rápido, y una vez el LLM incluso me señaló un defecto en el diseño de una API
Pero si generas código demasiado rápido, superas la velocidad de revisión, así que la clave es generar en unidades pequeñas
También me ayuda mucho al modificar tests o seguir errores de builds externos
Hace tiempo que no me divertía tanto trabajando así, pero al mismo tiempo también siento mucha inseguridad laboral
Por eso es natural que los resultados sean imprecisos
Trabajo en una gran tecnológica y el codebase es enorme y complejo
Al principio evitaba la IA, pero ahora me ayuda mucho para explorar código y entender la estructura
Antes ese análisis me tomaba días y ahora la IA lo hace por mí
La generación de código la uso sobre todo para aliviar boilerplate. La calidad es baja, pero aun así es un poco más rápido que escribirlo todo a mano
En proyectos personales no noto una gran diferencia, pero sí disfruto ordenar mis ideas conversando con ChatGPT
Al final lo importante es que una persona entienda el contexto y valide el resultado
Llevo mucho tiempo trabajando como freelance, y la IA casi no ayuda a mi productividad
Cuando reviso código para entregar a clientes, siempre encuentro complejidad innecesaria, problemas de rendimiento y riesgos de mantenimiento
Claro, para automatizaciones sencillas puede servir, pero en general me da más trabajo del que me ahorra
Si dices que terminaste rápido, sospechan de la calidad, y además uno mismo tiene que pagar el costo del modelo
Al final te pasas el día peleando con la terminal. Eso sí, ahora hay muchas TUI bonitas
Para mí la IA me da más pérdidas que ganancias
Es buena para code review o búsqueda, pero al programar siempre termino reescribiendo todo
El resultado parece código escrito por un estudiante que solo quiere pasar el examen
Siempre pienso “esta vez sí va a salir bien”, pero al final es una pérdida de tiempo. Se siente parecido a la moda de los frameworks de JavaScript
La pregunta es si de verdad importa tanto la calidad del código
Si hay suficiente modularidad, un módulo de baja calidad simplemente se vuelve a generar
Y por eso mismo da más miedo. Tal vez de verdad estemos cerca de ser reemplazados
Me sorprende que el ambiente en HN sea tan pesimista con la IA
Soy ingeniero con 10 años de experiencia, y la mitad de lo que se dice en Twitter es real
Nuestro equipo, de 3 personas, mantiene una app con 100k DAU. Antes eso habría requerido 10 personas
No tenemos lista de bugs y la calidad del código no es peor que cuando todo se escribía a mano
La frecuencia de refactorización incluso aumentó, y la velocidad es explosiva. Estoy realmente satisfecho
Eso sí, ahora mismo existe el riesgo de que la complejidad explote porque solo seguimos agregando más código
Aun así, en 6 meses todo podría ser completamente distinto. Es interesante y a la vez da miedo
Pero mientras más pequeño es el equipo, más explosiva puede ser la productividad con IA