La pregunta que más me hacen hoy tiene que ver con la inteligencia artificial para programadores: ¿tiene sentido seguir aprendiendo a programar si la IA va a hacer todo?
Y lo entiendo. Porque si entrás a X (antes Twitter) cinco minutos, hay alguien mostrando cómo armó una app completa en 20 minutos con un prompt. Hay emprendedores que ya no contratan programadores. Hay herramientas que generan código de punta a punta. El miedo es real y tiene base.
Pero hay algo que esas demos no te muestran. Lo que pasa cuando algo falla.
Lo que la inteligencia artificial para programadores puede hacer hoy
Mi hermana dirige dos clubes de gimnasia artística. Necesitaba un sistema para controlar pagos, asistencia, torneos, sueldos de docentes, actividad de socios… todo el lío administrativo de dos clubes funcionando en paralelo.
Primero intentó con un sistema tercerizado. Funcionó un tiempo. Hasta que en una actualización, perdieron todos los registros. El feature que más usaban desapareció. Dieron de baja la suscripción y volvieron a lo de siempre: Google Sheets sincronizado entre varias cuentas.
El problema clásico. Datos mezclados, millones de pestañas, imposible encontrar algo rápido. Nada amigable.
Entonces decidió usar Claude IA. Le contó en el chat lo que necesitaba, y la IA la guió paso a paso: crear una cuenta en GitHub, subir el repositorio, deployar en Vercel. Después de varias horas de intentos, quedaron varados en un bug. Un error en el repositorio, otros bugs encadenados, y mi hermana terminó borrando todo y desistiendo.
¿Qué falló? ¿La inteligencia aritificial?
Nadie, en realidad. Mi hermana no falló. Claude tampoco. Ni Github.
Lo que pasó es que deployar y debuggear código todavía no es para cualquiera. No alcanza con seguir instrucciones. Se necesita experiencia real peleando con ese tipo de problemas.
Un día fui a su casa y me contó lo que había pasado. Le pedí que me mostrara el chat, quería ver si podía resolverlo. En 10-15 minutos encontré dos cosas:
El primero: al copiar y pegar desde el Bloc de notas en lugar de un IDE, un archivo se había subido con la codificación incorrecta. GitHub, una vez que el archivo está en el repositorio, no detecta cambios de codificación. Le dije eso a Claude, que GitHub no estaba tomando el cambio. La solución fue unir todas las líneas del JSON en una sola (sin saltos de línea), y ahí GitHub lo interpretó como un archivo modificado. Una trampa… pero funcionó.
El segundo: la instalación siempre rompía. Le pedí a Claude que me explicara el error, y me dijo que la carpeta node_modules ya existía en el repositorio y Vercel no tenía permisos para reinstalarla. Y ahí me enojé. Porque lo que estábamos haciendo era parchear. El problema raíz era el repositorio. Le pedí ayuda para sacar esa carpeta del repo, dejar la rama limpia. Porque node_modules es una carpeta de instalación local, jamás se sube al repositorio.
Y ahí sí funcionó.
Pero fijate en lo que hice: supe que el problema de codificación era de codificación, no de código. Supe que node_modules no debía estar en el repo. Tuve el criterio para no seguir a ciegas lo que me decía la IA, sino ir a la raíz. Eso no se improvisa. Se aprende.
Lo que la IA todavía no puede reemplazar
La IA no puede reemplazar el criterio. Y el criterio se construye programando, equivocándose, depurando errores, entendiendo por qué algo funciona y por qué algo no.
Lo que falló en el intento de mi hermana no fue la IA. Fue que la IA no tenía acceso al código fuente. Iba respondiendo según lo que le copiaban y pegaban. No podía ver GitHub, ni Vercel. El problema era que no tenía contexto real del problema. Solamente veía fragmentos.
La mejor forma de trabajar con inteligencia artificial para programadores es teniéndola integrada directamente en el código, como lo hacen Cursor, GitHub Copilot o Claude integrado en tu editor. Así tiene visibilidad real de lo que está pasando. Así puede razonar con contexto.
Pero incluso ahí, hay cosas que la IA no puede hacer sola:
- Detectar el problema raíz cuando el error está en otro lado y no donde aparece el mensaje.
- Decidir la arquitectura correcta para un proyecto que escale bien.
- Saber cuándo NO usar lo que genera, porque suena bien pero introduce un problema más adelante.
- Adaptar una solución genérica a las reglas de un negocio específico.
Todo eso requiere entender lo que estás leyendo. Y para entenderlo, tenés que haber programado.
El peligro real: depender sin entender
El riesgo no es que la IA te quite el trabajo. El riesgo es que la uses sin entender lo que hace y eso te deje atrapado cuando algo sale mal.
Hay una práctica que se llama vibe coding: le pedís a la IA que programe algo, te da el código, lo corrés sin leerlo. Funciona. Lo entregás. Listo.
Hasta que no funciona. Y no sabés por dónde empezar a buscar.
Eso es lo que me preocupa de la tendencia actual. No que la IA programe. Sino que haya gente usando código que no entiende en sistemas reales, en producción, con datos de usuarios, y cuando hay un problema no tienen ninguna herramienta para resolverlo.
La IA te puede ayudar a ir 10 veces más rápido. Pero si no sabés programar, vas 10 veces más rápido hacia un lugar equivocado.
Cómo usar IA para programar mejor, no para programar menos
Acá está lo que yo hago y lo que les enseño en Academia MC:
Usá la IA como pair programmer, no como reemplazo. Cuando generás código con IA, leelo. Entendé qué hace cada parte. Si hay algo que no entendés, preguntale a la misma IA que te lo explique línea por línea. Eso es aprender mientras producís.
Siempre identificá el problema antes de pedirle la solución. La calidad de lo que te devuelve la IA depende directamente de qué tan bien describís el problema. Si no entendés lo que está pasando, no podés describírselo bien. Si no podés describírselo bien, la respuesta va a ser genérica o incorrecta.
Usá la IA para ir más rápido en lo que ya sabés hacer. Generar boilerplate, escribir tests, documentar funciones, buscar alternativas a lo que ya tenés. Que te ahorre el tiempo de lo mecánico para que vos te concentres en lo que requiere criterio.
No saltes los fundamentos. Entender cómo funcionan los algoritmos y la lógica detrás del código, cómo funciona una base de datos, qué es un servidor, cómo se maneja la autenticación, qué es una API, por qué node_modules no va al repositorio. Eso no es información vieja. Es la base que te permite usar la inteligencia artificial para programadores con inteligencia.
Conclusión
La inteligencia artificial para programadores es la mejor herramienta que existió. Pero como toda herramienta, funciona en manos de alguien que sabe usarla.
No te estoy diciendo que ignores la IA. Te estoy diciendo que la uses con criterio. Y para tener criterio, hay que aprender a programar de verdad. Si además querés monetizar lo que sabés, leé esta guía sobre trabajo freelance para programadores.
En Academia MC te enseñamos exactamente eso: a programar con fundamentos sólidos para que después la IA te potencie, no te bloquee. Tenés acceso gratuito al campus con videos, ejercicios, desafíos y comunidad.
Deja una respuesta