IA para programar: lo que funciona y lo que es marketing

Uso IA para programar todos los días desde hace dos años. He pasado por GitHub Copilot, ChatGPT, Claude, Cursor, Windsurf y media docena de herramientas más. Esto es lo que realmente funciona, lo que es puro marketing, y por qué la diferencia importa.

Lo que sí funciona

Autocompletado contextual. Copilot y Cursor aciertan en el 70-80% de mis autocompletados. No es magia. Es que la mayoría del código que escribo es predecible: imports, handlers de eventos, returns de funciones. La IA reduce la fricción de escribir código boilerplate.

El impacto es real: estimo 30-40% menos de tiempo en tareas de implementación. No en diseño de arquitectura. En implementación.

Generación de tests unitarios. Este es el caso de uso donde la IA brilla sin reservas. Le das una función, le describes los casos borde, y produce tests razonables en segundos. Los ajustas. Los corres. Tienes cobertura que de otra manera no habrías escrito.

La barrera mental para escribir tests siempre fue "es aburrido y toma tiempo". La IA elimina esa barrera. No porque los tests sean perfectos. Porque el 80% está bien y el 20% lo ajustas en 2 minutos.

Explicación de código legacy. Pegas una función que no entiendes. La IA te explica qué hace, qué parámetros recibe, qué casos borde maneja. Es como tener un senior developer a tu lado que ha leído todo el código del mundo.

El valor real: reducir el tiempo de onboarding en un codebase desconocido de días a horas.

Debugging con contexto. Pegas un stack trace. La IA identifica el problema en el 60-70% de los casos. No acierta siempre, pero cuando acierta, te ahorra 20 minutos de navegación por código.

El truco es darle contexto suficiente. Un stack trace solo no es suficiente. Un stack trace + la función relevante + la versión de la librería + lo que intentabas hacer: la IA se vuelve notablemente precisa.

Boilerplate y scaffolding. Configurar un proyecto Next.js con TypeScript, ESLint, Prettier, testing, CI, y Docker solía tomar una tarde. Ahora le pides a Claude que lo genere y lo tienes en 5 minutos. El 90% está bien. El 10% lo ajustas.

Lo que no funciona

Arquitectura de sistemas complejos. Le pides a la IA que diseñe la arquitectura de un sistema distribuido con colas de mensajes, caching distribuido, y consistencia eventual. Te da algo que parece razonable. Y está mal.

No porque no sepa los patrones. Los sabe. Pero no entiende los trade-offs de tu negocio específico. No sabe que tu equipo tiene 3 personas. No sabe que tu pico de tráfico es los viernes a las 6pm. No sabe que tu DBA se va a quejar si propones MongoDB.

Arquitectura requiere contexto que no está en el código. La IA no tiene ese contexto.

Debugging de race conditions. Los bugs de concurrencia son invisibles para la IA. El código "se ve bien". El problema está en el timing, en el orden de ejecución, en locks que no se adquieren cuando deberían.

La IA mira el código estáticamente. Los race conditions son dinámicos. No los va a encontrar.

Optimización de performance. "Optimiza esta función" te da una versión que usa menos memoria o hace menos iteraciones. Pero la IA no puede medir. No sabe si tu bottleneck está en esa función o en la capa de red.

Performance optimization requiere profiling. Requiere medir. Reprimirar optimizaciones basándose en heurísticas genera código más complejo sin beneficio real.

Decisiones de diseño de API. REST vs GraphQL. Versionado. Paginación. Naming conventions. La IA te da una respuesta genérica. Pero las mejores decisiones de API dependen de quién la consume, cómo evolucionará, y qué restricciones tienes.

El error más común: delegar demasiado

El patrón que veo en juniors que adoptan IA: le piden que escriba un feature completo. "Crea un sistema de autenticación con JWT, refresh tokens, y rate limiting." La IA produce 300 líneas de código que "funciona".

El problema: no entiendes 300 líneas que están en producción. Cuando hay un bug, no sabes dónde buscar. Cuando necesitas modificar el comportamiento, no sabes qué cambiar.

La IA es un acelerador, no un reemplazo. Si no entiendes el output, no lo deploy.

Mi workflow después de dos años

Después de mucha iteración, este es el workflow que me da la mayor productividad sin sacrificar comprensión:

1. Escribo el esqueleto yo. Firmas de funciones, tipos, estructura. Esto me fuerza a pensar en la arquitectura antes de escribir código.

2. Le pido a la IA que complete los detalles. "Implementa esta función según el tipo." La IA llena el cuerpo. Yo reviso cada línea.

3. Tests primero, implementación después. Le pido que genere tests para la función que voy a escribir. Los reviso. Luego implemento.

4. Debugging colaborativo. Cuando algo no funciona, le explico el problema a la IA con contexto. Su diagnóstico me da pistas. Yo verifico.

5. Code review asistido. Le paso código que escribí. "¿Qué casos borde me falta? ¿Qué puede romper esto?"

El loop humano-IA es donde está la productividad real. No el "genera todo y ojalá funcione".

Quién gana más productividad con IA

Un dato contraintuitivo: los developers que más productividad ganan con IA no son los juniors. Son los seniors.

¿Por qué? Porque los seniors saben qué pedir. Saben cómo evaluar la respuesta. Saben dónde están los límites. Reconocen cuando la IA alucina una API que no existe.

La IA amplifica lo que ya sabes. No reemplaza lo que no sabes.

Un junior que usa IA como oráculo termina con código que no entiende. Un senior que usa IA como asistente termina con más código de calidad en menos tiempo. La diferencia no es la herramienta. Es quien la usa.

Herramientas: mi ranking honesto

Cursor (con Claude Fable 5). El mejor IDE con IA en 2026. Claude Fable 5 dentro de Cursor es notable. Entiende codebases enteros. Edita múltiples archivos coherentemente. El feature más valioso: puedes pedirle que modifique algo y te muestra el diff antes de aplicarlo.

Claude Code (CLI). Para tareas de terminal: scripts, migraciones, debugging de infra. Le das acceso al filesystem y ejecuta comandos. Peligroso si no lo supervisas, pero poderoso cuando lo haces.

GitHub Copilot. El pionero. Hoy se queda atrás en calidad de autocompletado vs Cursor, pero sigue siendo el más integrado en VS Code. Si tu equipo ya lo paga, está bien. Si estás eligiendo, ve a Cursor.

ChatGPT/Claude web. Útiles para preguntas puntuales, pero el copy-paste entre tu editor y el navegador rompe el flujo. Pierdes contexto constantemente.

Devin / agentes autónomos. Prometen resolver tareas completas sin intervención. En mi experiencia: aciertan en el 30% de tareas, el otro 70% requiere corrección manual. Útil para tareas muy definidas, peligroso para tareas abiertas.

Lo que viene

La IA para programar va a mejorar. Pero la dirección no es "la IA hace todo sola". Es "la IA te ayuda a hacer más, mejor, más rápido."

Los skills que van a subir de valor:

• Arquitectura y diseño de sistemas: la IA no decide trade-offs
• Code review humano: más importante, no menos, cuando la IA escribe código
• Debugging de producción: los bugs reales no están en el código, están en la interacción con sistemas externos
• Comunicación con stakeholders: traducir requisitos vagos en specs claras

Los skills que van a bajar de valor:

• Memorización de syntax: la IA completa por ti
• Boilerplate: generado automáticamente
• Stack Overflow research: la IA tiene las respuestas

La pregunta no es "¿debería usar IA?". Es "¿estoy usando la IA de la forma correcta?"

Si aún no la integraste a tu workflow, estás escribiendo código que podrías haber escrito en la mitad de tiempo. Si la usas como oráculo sin entender el output, estás produciendo código que vas a sufrir para mantener.

El punto medio es donde está la productividad real.

---

Recursos:

• Cursor docs — guía oficial del IDE
• Claude Fable 5 announcement — el modelo que cambió el coding
• Simon Willison's blog — análisis honestos de IA