Desarrollador AI Native: el futuro de la profesión en la era de la IA
Según Claude Code, “coding is largely solved” (escribir código es un problema prácticamente resuelto).
¿Hasta el punto de que la IA reemplace la producción, la revisión o incluso el código en sí?
Sin llegar a ese extremo (por ahora…), si bien la escritura de código está cada vez más automatizada, la verdadera competencia de los desarrolladores ya no reside tanto en teclear líneas, sino en saber qué esperar de él, qué rechazar y de qué hacerse responsable.
Mi trayectoria tal vez ya ofrezca un adelanto del futuro de una profesión en plena mutación.
Soy desarrolladora y, sin embargo, (casi) no programo
Invierto mucho más tiempo definiendo el alcance, estructurando prompts, corrigiendo, revisando, testeando y validando. Soy desarrolladora desde febrero de 2023, apenas unos meses después del lanzamiento masivo de ChatGPT. No he conocido esta profesión antes de la IA. Aprendí rápido, dándome de bruces con la realidad, construyendo proyectos, probando cosas y con los LLM como telón de fondo desde el minuto cero.
Se puede decir que formo parte de la primera generación de desarrolladores “AI Native” que ha aprendido a trabajar con la IA desde el principio. Mis dinámicas de trabajo se han forjado verdaderamente con los LLM, no a su alrededor. No he tenido que desaprender años de vicios o hábitos de trabajo para integrar estas herramientas.
Llegué después de la época en la que Stack Overflow te ponía en tu sitio
Rara vez me he quedado atascada durante días con un problema de código. Las veces que he recurrido a Stack Overflow se cuentan con los dedos de una mano, y apenas he tenido que tragarme tutoriales de YouTube de varias horas.
Incluso cuando los primeros modelos aún eran muy imperfectos, ya existía esa red de seguridad. Sabía que si reformulaba bien la pregunta, si daba el contexto suficiente y probaba varios enfoques, acabaría avanzando.
Además, cuenta con una ventaja brutal: la IA es un profesor incansable y disponible 24/7. Puedes hacerle cincuenta veces la misma pregunta sin miedo a sentirte juzgada por tu interlocutor. En lugar de un “no has entendido nada”, recibía un “¡Esa es una excelente pregunta!”. En mi caso, esto disparó mi curiosidad mucho más allá.
Mis dinámicas de trabajo se han forjado con los LLM
Algunos ejemplos prácticos: tengo la costumbre de pedir un resumen de la documentación antes de leerme todo el texto en bruto. Cuando aterrizo en un nuevo codebase, suelo empezar pidiendo que me expliquen los mecanismos principales, la lógica general de la aplicación y dónde ocurren los procesos clave.
También la utilizo para estructurar un enfoque o para aclarar un concepto que manejo pero que aún no domino al 100 %. Mantengo largas conversaciones con Claude para que me ayude a ordenar mis ideas antes de pedirle al modo agente que implemente el plan que hemos trazado.
Actualmente, escribo muy poco código from scratch. Invierto mucho más tiempo en definir alcances, promptear, corregir, revisar, testear y validar. Por supuesto, no se trata de hacer vibe coding a lo loco y subir a producción el código generado sin revisarlo. Soy tan responsable del código que entrego como si lo hubiera picado yo misma. Esto implica una revisión minuciosa, bloque a bloque, del código generado, seguida de una code review por parte de los demás desarrolladores del equipo, que no dejan pasar ni una.
Cuando se amplía el abanico de posibilidades
La gran ventaja de este enfoque es que ha democratizado muchas cosas de forma temprana. Donde antes ciertas barreras técnicas exigían una larga curva de aprendizaje solo para poder probar suerte, hoy puedo lanzarme a la piscina mucho más rápido en temas que apenas conozco. Esto me permite ejecutar con una agilidad que la experiencia por sí sola no me habría dado: allí donde antes se delegaban ciertos temas a desarrolladores más senior, ahora tengo la oportunidad de abordar una gran variedad de tareas, precisamente porque la implementación ya no es el núcleo del trabajo. Cualquier idea se puede testear rápidamente.
A efectos prácticos, esto cambia la relación con las fronteras clásicas de la profesión. La separación entre front y back ya me parece menos rígida: desde el momento en que puedes obtener rápidamente una primera implementación, una explicación clara y asistencia para los ajustes, muchas más áreas resultan accesibles. Gracias a la IA, tenemos la oportunidad de adquirir competencias en temas mucho más amplios en lugar de hiperespecializarnos en un solo nicho.
Los fundamentos vuelven a entrar por la ventana
Aquí es también donde mi experiencia conecta con una evolución más general del sector: la IA cambia la ejecución, pero no elimina las exigencias de base.
Sí, la IA facilita enormemente la producción de código. Reduce parte de la fricción técnica, pero no suple la comprensión. Seguimos necesitando saber qué pedirle a nivel técnico para generar un código que sea apto para entornos de producción. Necesita que le expliquemos qué es importante en nuestro contexto, las reglas de negocio, las limitaciones de producto, la arquitectura o la mantenibilidad.
Puede generar algo que funcione y que, al mismo tiempo, sea una pésima idea. Ese es, de hecho, el mayor riesgo: cuando el código es fácil de generar, podemos tener una falsa sensación de control y enmascarar aquello que en realidad ignoramos.
En realidad, los fundamentos no desaparecen. La dificultad reside ahora en la capacidad de auditar lo que se ha generado. Por tanto, ciertas habilidades cobran protagonismo mucho antes, mientras que en el pasado los perfiles junior se centraban casi exclusivamente en picar código. Las bases siguen siendo vitales: arquitectura, clean code, seguridad, rendimiento, infraestructura… Y es mi deber formarme constantemente en estos aspectos. Al igual que el radar y la vigilancia tecnológica, para estar al día de las novedades y saber cuáles merece la pena adoptar.
El verdadero trabajo empieza después del prompt
Lo que la IA cambia de verdad en la profesión de desarrollador es el reparto del trabajo. Menos tiempo escribiendo o revisando código línea por línea, y más tiempo definiendo el marco, dando el contexto adecuado, testeando los outputs, cuestionando las decisiones propuestas y comprobando que todas las piezas encajan. El desarrollo se parece cada vez menos a un ejercicio de producción continua, y cada vez más a una labor de dirección, edición y toma de decisiones.
Es un cambio de paradigma que muchos perfiles senior ya conocen: a medida que avanzas en tu carrera, programas menos y piensas más. La IA simplemente comprime esta trayectoria. Hace que llegue mucho antes lo que tradicionalmente te daba la experiencia.
Lo que está haciendo la IA es sacar a la luz lo que siempre ha importado: entender un problema antes de resolverlo, saber evaluar una solución antes de entregarla, y asumir la responsabilidad de lo que sube a producción. Habilidades que antes asociábamos a la experiencia, la antigüedad y los años pasados debuggeando en soledad a las 11 de la noche. La IA puede acelerar la ejecución, pero no la madurez.
La IA basada en agentes (agentic AI) lleva esta lógica aún más lejos. Cuando ya no se trata solo de revisar una sugerencia de código, sino de un agente que abre archivos, ejecuta comandos y encadena decisiones, la cuestión del control se vuelve central. ¿Quién valida qué, en qué momento y bajo qué criterios? El dev no está a punto de desaparecer: se está convirtiendo en el único humano dentro de un bucle que gira cada vez más rápido.
