Gwen Davis considera que, a medida que se amplía el uso de agentes de inteligencia artificial, el valor de los desarrolladores pasará en mayor medida de escribir cada línea de código a orientar las herramientas, revisar sus resultados y tomar decisiones técnicas. El artículo propone tres prácticas: gestionar los agentes, no aceptar la primera respuesta e invertir el tiempo ahorrado en resolver problemas más amplios.
El trabajo de los desarrolladores está cambiando a medida que las herramientas de inteligencia artificial pasan de ayudar a escribir código a ejecutar partes cada vez mayores de las tareas de programación. Según Gwen Davis, escribir código por sí solo ya no es suficiente; cada vez son más importantes definir el problema, proporcionar el contexto adecuado, evaluar los resultados y explicar las compensaciones técnicas antes de adoptar la solución.
1. Orientar la inteligencia artificial en lugar de limitarse a usarla
El artículo explica que la ejecución en un entorno basado en la inteligencia artificial comienza por definir claramente el trabajo y luego distribuir las tareas y revisar los resultados. En una tarea para añadir una ruta de autenticación, por ejemplo, un agente puede encargarse de preparar la implementación, mientras otro prepara la documentación y un tercero prepara el conjunto de pruebas.
Esto no elimina la responsabilidad del desarrollador sobre el resultado final. El cambio práctico es que el desarrollador dedica menos tiempo a ejecutar manualmente cada parte y más tiempo a definir lo que se necesita, coordinar los resultados de los agentes y decidir qué está listo para revisión o lanzamiento. Davis concluye que aprender a orientar agentes de inteligencia artificial se ha convertido en una habilidad práctica independiente.
2. No confíes en la primera respuesta sin revisarla
Las herramientas pueden producir en segundos una solución que parezca convincente, pero que contenga defectos que no se perciban con una lectura rápida. El artículo utiliza el ejemplo de una consulta SQL que devuelve el pedido más reciente de cada cliente; la solución podría pasar por alto cómo tratar las marcas de tiempo idénticas, no proponer un índice adecuado o deteriorar su rendimiento con tablas grandes.
Davis propone utilizar un segundo modelo para criticar el trabajo del primero y aplicar después el criterio de ingeniería a ambas respuestas. Señala que los modelos difieren en sus puntos fuertes y sus puntos ciegos, y menciona que el agente Rubber Duck integrado en GitHub Copilot utiliza un segundo modelo para criticar planes, código y pruebas. Sin embargo, la revisión humana sigue siendo necesaria; la idea no es sustituir el criterio humano, sino añadir una perspectiva crítica antes de continuar.
3. Usar el tiempo ahorrado para resolver problemas más grandes
Cuando la inteligencia artificial se ocupa de una parte mayor de la ejecución, el desarrollador puede dedicar el tiempo disponible a comprender las necesidades de los clientes, evaluar las compensaciones arquitectónicas, diseñar sistemas y tomar decisiones que la herramienta no puede tomar en su nombre.
En un ejemplo relacionado con añadir el modo oscuro, la inteligencia artificial puede implementar los cambios, generar las pruebas y actualizar la documentación. La lista del desarrollador, en cambio, incluye verificar el problema que afrontan los clientes, revisar las compensaciones arquitectónicas, comprobar la accesibilidad, definir las métricas de éxito y aprobar la solución.
¿Qué cambia en la práctica?
El mensaje principal no es que la habilidad de programar haya perdido su valor, sino que el alcance de la responsabilidad se está ampliando. El desarrollador sigue siendo responsable de la calidad del resultado, pero necesita combinar la capacidad de orientar las herramientas con la capacidad de detectar sus errores y vincular la ejecución con el objetivo real del proyecto. El artículo ofrece orientaciones prácticas generales, pero no define métricas para medir el impacto de estas prácticas ni los límites de las tareas que deberían delegarse a los agentes; por ello, las decisiones de aplicación siguen dependiendo de la naturaleza del proyecto y del nivel de riesgo.