En el panorama actual del desarrollo de software, la inteligencia artificial (IA) se ha convertido en una herramienta invaluable que está transformando la forma en que los desarrolladores abordan sus proyectos.
Hay dos formas de usar IA en desarrollo de software
Establecer máximas en Ingeniería de Software es una práctica riesgosa debido principalmente al carácter rebelde y desafiante de los profesionales de esta industria; nos tienta intentar refutarlas, simplemente para ponerlas a prueba.
Cuando se trata de IA, este riesgo se amplifica. Las máximas relacionadas con IA pueden quedar obsoletas rápidamente debido al ritmo acelerado con el que evoluciona la tecnología, incluso antes de que alguien intente desafiarlas.
A pesar eso, me voy a arriesgar igual al afirmar que hay dos formas de utilizar inteligencia artificial en desarrollo:
- La IA se utiliza para optimizar y mejorar procesos existentes dentro del ciclo de desarrollo. Esto incluye tareas como la detección automática de errores, la recomendación de mejoras en el código y otras labores que facilitan y agilizan el trabajo del desarrollador.
- La IA se integra directamente en el producto final como parte fundamental de su propuesta de valor para el cliente. Ejemplos de esto pueden ser sistemas de recomendación personalizados que mejoran la experiencia del usuario, modelos de lenguaje grande (LLMs) que han sido ajustados para tareas específicas, o soluciones innovadoras basadas en recuperación aumentada por generación (RAG).
Corolario: el segundo grupo suele encontrarse contenido dentro del primero casi en su totalidad.
Este artículo está pensado para ser útil para ambos grupos de profesionales. Sin embargo, nos centraremos principalmente en el primer grupo debido a su mayor tamaño y relevancia general dentro del campo del desarrollo de software.
"Todos" hablan de ser rápidos
Es común que leyendo redes sociales, por ejemplo LinkedIn, encuentres posts que hablan sobre lo "productivos" que los hace la IA. Podría pegar numerosos ejemplos de distintas redes, pero en lugar de eso y para evitar problemas, voy a parafrasearlos.
“I can't believe it only took me 20 minutes to revolutionize how I track expenses for my farm LLC!
As someone who's been leading tech initiatives for years, I could have hired developers, bought enterprise software, or kept doing it manually in spreadsheets.
Instead, I spent 20 minutes with AI and built exactly what I needed.
This is how I (a non technical person) vibe-coded a full functional app in four hours using Claude Code with several API integrations.
It took me 2 hours of vibecoding using an AI tool to build...
It's over...
This new AI agent called [insert whatever name you want here] can now create full-stack products, websites, and games, turning simple ideas into full-stack apps within minutes—no experience required
¿Qué tienen en común todos estos ejemplos? Todos hablan de lo rápido que puedo generar una nueva app, MVP o una feature.
"20 minutes" parece ser el tiempo promedio que lleva hacer cualquier cosa revolucionaria con IA, seguido de las mágicas "2 horas" o "4 horas".
Todos son más rápidos y ahorran tiempo. Lo que antes les llevaba X ahora les lleva una décima parte. Todos parecen estar "apurados" por generar código, parece ser la única métrica importante,en la que tenemos que tener fé, porque su evidencia es muy escasa.
Dejando las redes sociales de lado por un momento y yendo a la industria, podemos ver reportes con más soporte empírico, como el realizado por la consultora McKinsey allá por el 2023. Si bien mucho ha pasado en el último año y medio en términos de modelos, rapidez en la generación de código y nuevas features, los resultados ya hablaban de "rapidez".
(...) herramientas basadas en IA generativa proporcionan impresionantes ganancias de rapidez para muchas tareas comunes de los desarrolladores.
En dicho estudio se habla de que documentar sería 45%-50% más rápido, codificar 35%-45% y refactorizar, 20%-30%.
Cómo conclusión podríamos decir que:
- Desarrolladores de software están generando código con AI de forma sostenida (ya sea simples autocompletados como con el uso de múltiples agentes).
- La IA nos permite generar código más rápido
- Generar código más rápido no siempre significa que dicho código agrega valor al producto final
No confundir rapidez con velocidad
En esta sección haremos una analogía de los conceptos de rapidez y velocidad con la física, obviamente sin apegarnos a la rigurosidad de dicha ciencia, sino que haciendo simplificaciones que nos sirvan para nuestro escenario.
¿Qué es rapidez?Rapidez es la "distancia que ‘algo’ recorre en un determinado tiempo". El problema de la rapidez es que yo puedo ser rápido en múltiples direcciones, incluso puedo ser rápido al moverme de forma circular (nadie puede decir que un satélite no se mueve rápido).
Para la física está bien, pero en la sección anterior hablamos de rapidez como métrica de productividad. Entonces, si bien instintivamente sabemos que esa métrica no puede estar bien, lo confirmamos al pensar que generamos código rápido pero que no en una dirección concreta.
Generar código rápido trae los siguientes problemas:
- Aumenta la deuda técnica: casos por fuera del contexto dónde se da el prompt que origina la creación de código quedan desatendidos.
- Disminuye la claridad del código: muchas veces el código generado resuelve funcionalmente lo que pedimos, pero el código no es claro (al menos para un humano).
- Disminuye la mantenibilidad: los 2 puntos anteriores afectan negativamente la mantenibilidad de forma obvia, ya que un código con deuda técnica y difícil de entender nunca puede ser mantenible.
- Disminuye la testeabilidad: los anteriores problemas hacen que sea muy difícil asegurar que todas las casuísticas del negocio puedan ser probadas correctamente.
El uso masivo de la IA para generar código ha abierto el debate sobre si el código sigue siendo relevante o si simplemente se ha convertido en otra capa de abstracción, similar al lenguaje intermedio en .Net o Java. Sin embargo, incluso asumiendo esto, surgen problemas aún más graves con esta generación rápida de features:
- ¿Aporta valor al cliente/producto las features desarrolladas?
- ¿Están alineadas con el negocio?
- ¿Ofrecen al producto/cliente una ventaja competitiva?
- ¿Crean dependencia de soluciones (código) inestables, mal definidas o mal mantenidas?
Ya sé lo que están pensando: "Darío: pero estos problemas los teníamos antes de la IA, no hay nada novedoso en esta lista!". Y es cierto.
Pero como establecimos anteriormente, generamos código cada vez más rápido utilizando IA, y ahora somos capaces de inundar un producto con nuevas funcionalidades. Este hecho incrementa exponencialmente la probabilidad de que se materialicen los riesgos mencionados anteriormente.
Aquí es dónde entra a jugar el concepto de velocidad. ¿Qué es velocidad?
Velocidad es qué tan rápido y en qué dirección se mueve ‘algo’. O sea, no alcanza con ser rápido; debemos tener una dirección para lograr velocidad!
Para cerrar esta sección, una conclusión: no "está bueno" generar funcionalidades (código) solo porque es barato, rápido y cool; necesitamos generar código con IA a velocidad controlada.
¿Cómo generar código con AI a velocidad controlada?
Para explicar esta parte del artículo vamos a recurrir a una analogía. ¿Saben lo que es un First Person Shooter (FPS)? Quizás no por ese nombre, pero si les menciono juegos como Call of Duty, The Last of Us, Doom o Duke Nukem 3D (mi favorito) saben de qué hablo.
Bueno, ahora supongamos que estamos jugando a The Last of Us (si no lo jugaron, háganse un favor y juéguenlo) y nos encontramos en la siguiente situación:
En este tipo de situaciones tengo 2 opciones:
- Entrar a la habitación a los tiros (y arriesgarme a lo que pueda pasar)
- Observar todo. Como tengo una puerta cubriéndome a la izquierda, puedo entrar despacio dando la espalda a la pared a la derecha, junto a la puerta; volver a observar y decidir nuestro próximo movimiento.
Sin dudas, si bien alguna vez hemos ido por la opción 1 en búsqueda de un subidón de adrenalina, sabemos que la opción 2 es la más segura si queremos tener posibilidades de éxito.
Lo que describimos anteriormente como opción 2 puede ser generalizado de la siguiente forma:
- Observar
- Orientar
- Decidir
- Actuar
Esta formalización fue descrita por primera vez a mitad del siglo XX por John Boyd como un modelo de toma de decisiones en contextos altamente cambiantes para ser usado principalmente en batallas aéreas de cazas de combate (dogfighting). Su nombre es OODA loop por las iniciales de cada etapa.
Aquí vemos como este modelo mental se adapta perfectamente a la situación de juego que planteamos anteriormente.
Y podemos ver como el loop se repite en cada movimiento, conforme avanzamos en el juego.
Ahora, ¿Cómo responde esto a la pregunta de cómo generar código con AI a velocidad controlada?
Bueno, de la primera sección del artículo podemos concluir que efectivamente estamos generando código muy rápido utilizando IA. De la segunda sección, que necesitamos tener dirección para que esa rapidez que logramos nos dé velocidad.
Entonces, la forma de generar código con AI a velocidad controlada es utilizar OODA loop como parte de nuestro proceso de trabajo al generar código con AI.
¿Esto en la práctica, funciona? ¿Cómo?
tl;dr: si funciona.
Desde que comencé a usar Claude Code como herramienta agentica para la generación de código, experimenté cierta incomodidad. No se debía a la herramienta en sí, que desde el principio consideré superior en cuanto a interfaz y resultados, sino al proceso que seguía para desarrollar nuevas funcionalidades.
Inicialmente, intenté usar prompts muy detallados, proporcionando suficiente contexto para evitar cualquier duda o ambigüedad. Sin embargo, sentía que algo faltaba. Luego probé dando instrucciones precisas a través del archivo CLAUDE.md. Al combinar esto con los prompts detallados, obtuve resultados inicialmente prometedores. Pero con el tiempo, a medida que refinaba el código, perdía control y dirección, llegando a generar features muy diferentes de lo que había imaginado.
Fue entonces cuando me di cuenta de que necesitaba avanzar mediante micro-iteraciones: pasos cortos pero precisos en la dirección correcta. Experimenté con prompts más específicos y enfocados, y comencé a mejorar mis resultados. A este proceso de realizar pequeñas mejoras iterativas iniciadas cada una por un prompt lo empecé a llamar AI multi-turn feature generation. Este nombre surgió de una expresión que Andrew Chan usó en su artículo "Vibecoding a high performance system" para describir una parte de su proceso de vibe-coding.
Luego incorporé el modelo mental OODA loop para asegurarme de que cada pequeña mejora avanzara en la dirección deseada. Finalmente, implementé un cambio definitivo en mi flujo de trabajo utilizando algunos hooks de Claude Code: después de cada ciclo de generación de código, se generaba automáticamente un commit con el prompt utilizado como descripción del commit. Esto me brindó finalmente la comodidad y control necesarios sobre mi proceso de desarrollo.
Conclusión
En el contexto actual del desarrollo de software, la inteligencia artificial se ha convertido en una herramienta esencial que permite a los desarrolladores generar código a una velocidad sin precedentes. Sin embargo, es crucial no confundir rapidez con velocidad efectiva. A través de la implementación del ciclo OODA (Observar, Orientar, Decidir, Actuar), los desarrolladores pueden asegurar que su rapidez se traduce en un avance significativo y direccionado. Este enfoque no solo ayuda a evitar problemas comunes como la deuda técnica y la falta de claridad en el código, sino que también garantiza que las funcionalidades generadas aporten valor real al producto final.
Personalmente, he encontrado que este enfoque ha mejorado significativamente mi proceso de desarrollo al usar herramientas de generación de código basadas en IA. La metodología de multi-turn feature generation junto al modelo OODA han proporcionado una estructura clara para avanzar en mis proyectos. Este marco está basado en principios sólidos y probados como "divide and conquer" y ciclos de mejora continua, lo que refuerza mi confianza en su efectividad. Sin embargo, estoy abierto al feedback y sugerencias de otros profesionales para seguir refinando este enfoque.
Finalmente, animo a todos los desarrolladores a no conformarse con procesos que les generen incomodidad o frustración. Al igual que yo transformé mi incomodidad inicial con las herramientas de IA en un proceso más eficiente y satisfactorio, todos deberían buscar maneras proactivas de optimizar su flujo de trabajo. La clave está en adaptar las herramientas y metodologías disponibles para satisfacer nuestras necesidades específicas y mejorar nuestra productividad diaria.