La programación está en plena metamorfosis: hasta ahora, sólo una 'élite' capaz de dominar lenguajes como Python, C++ o Java podían crear su propio software. Pero hoy en día, gracias a herramientas de IA generativa como ChatGPT y GitHUb Copilot, baste con usar instrucciones en jerga natural para desarrollar aplicaciones funcionales sin escribir código confuso.
La carrera de programador en 2017 y en el futuro (con Javier Santana)
¿Qué aporta la IA en este campo?
- Democratización para los no programadores: Ahora cualquiera con una idea y conocimientos básicos de inglés puede participar en la creación de software.
- Productividad elevada para los actuales programadores: Desarrolladores tradicionales ven cómo las herramientas de IA (GitHub Copilot, ChatGPT, etc.) les ayudan a escribir código más rápido y con menos errores.
- Nuevos perfiles profesionales: Ingenieros y no ingenieros deben mejorar sus habilidades de comunicación y 'prompt engineering' para sacarle el mayor partido a la IA.
- Aprieto de nuevas habilidades para los viejos perfiles: Para los 'programadores poco comunicativos', se plantea la obligación de pulir sus habilidades verbales y escritas para poder subir a esta ola.
¿Quiénes lo vieron venir?
Hace casi dos primaveras, cualquiera lo había trillado venir: Andrej Karpathy, exdirector senior de IA en Tesla, predijo en Twitter el surgimiento de esta tendencia: el inglés como el nuevo jerga de programación 'de moda'.
"Este expansión está desdibujando las barreras entre humanos y máquinas, permitiendo que más personas sean tecnólogos efectivos sin habilidades de programación tradicionales".
Y vaya si lo es: actualmente, según Stability AI, un sorprendente 41% del código alojado en GitHub es generado por inteligencia sintético.
Aunque esta tendencia promete rajar las puertas del expansión tecnológico a más personas, asimismo redefine el papel del programador tradicional. Karpathy ha destacado, sin incautación, que aunque el inglés simplifica la entrada a la programación, dominar el arte de la ingeniería de prompts (instrucciones claras y efectivas para la IA) será una tacto crucial:
"La claridad y la especificidad en los comandos determinarán el éxito de estas herramientas".
Efectividad vs. 'hype'
La capacidad para 'programar' de la IA usando jerga natural puede crear ahora un enorme entusiasmo, pero entre las promesas de una revolución absoluta y la efectividad cotidiana de los proyectos de software, existe aún una brecha significativa.
Las cosas son así por ahora
- Supervisión humana sigue siendo imprescindible: Aunque las herramientas de IA pueden escribir líneas de código complejas y dar sugerencias inteligentes, no eliminan la obligación de revisiones humanas. Ámbitos como la banca, sanidad o aeronáutica no pueden pender nada más de la confianza ciega en las expectativas de un maniquí de IA. Debe activo ingenieros revisando la razonamiento, el rendimiento y la seguridad del sistema antiguamente de editar un producto al mercado o integrarlo en infraestructuras críticas.
- Todavía hay 'áreas grises' que la IA no resuelve: En campos muy especializados, con problemas 'novedosos' o investigaciones de vanguardia, la IA entrenada en datos existentes puede no proporcionar soluciones adecuadas o completamente originales. La creatividad humana y el pensamiento contiguo siguen siendo indispensables para rajar nuevos caminos, diseñar algoritmos pioneros o acometer retos específicos donde no hay datos históricos que la IA pueda 'memorizar'.
No nos vengamos muy hacia lo alto aún
- La IA no reemplazará totalmente a los programadores: Uno de los principales tópicos que circulan es que la IA generativa eliminará la obligación de desarrolladores. La efectividad es que, si adecuadamente la escritura de fragmentos repetitivos se agiliza y automatiza, las decisiones arquitectónicas, la optimización de rendimiento y la integración con sistemas heredados seguirán requiriendo intervención humana. Encima, la evaluación de la calidad del código final (refactorización, patrones de diseño, escalabilidad) permanece en manos de expertos.
- No creas que cualquier persona podrá crear software confuso sin conocimientos previos: Aunque se ha limitado la barrera de entrada, y hoy es más sencillo construir prototipos básicos con instrucciones en inglés, la experiencia y el conocimiento técnico siguen marcando la diferencia. Para una aplicación sencilla, las herramientas 'no code' pueden ser suficientes; pero proyectos más críticos exigen experiencia en casa, en bases de datos, en seguridad y en ciclos de vida de expansión de software.
- No pensemos que la IA generativa es infalible: A pesar de los innegables avances de modelos como GPT-4, la IA sigue cometiendo errores, tiene “alucinaciones” (inventa datos o referencias que no existen) y puede crear código con vulnerabilidades de seguridad si el set de entrenamiento o las indicaciones son incompletas o imprecisas. Esperar ciegamente en la IA conlleva riesgos, especialmente si no se establecen procesos adecuados de demostración, testeo y acometividad.
- No subestimemos el cambio organizacional: La acogida de herramientas de IA en empresas y equipos de expansión no consiste nada más en instalar un plug-in de autocompletado en el IDE. Implica cambiar procesos internos, capacitar al personal, redefinir políticas de control de calidad y, a veces, modificar los flujos de integración y despliegue continuo.
Imagen | Marcos Merino mediante IA
En Genbeta | Tiene 21 primaveras y es improcedente: por qué Notepad++ es una de las apps favoritas de los desarrolladores tras tanto tiempo
