Programar con IA no elimina la ingeniería: la vuelve más necesaria

Lo que antes requería días de configuración, búsqueda, pruebas manuales o escritura repetitiva, ahora puede resolverse en minutos con la ayuda de modelos de lenguaje.

Pero esta aceleración también ha creado una confusión peligrosa: pensar que programar más rápido equivale a construir mejor software.

La IA ha reducido la fricción para crear prototipos, generar interfaces, escribir funciones, producir pruebas básicas y explorar arquitecturas iniciales. Estudios sobre GitHub Copilot han encontrado mejoras relevantes en productividad; por ejemplo, un experimento reportado por Microsoft Research observó que desarrolladores con acceso a Copilot completaron una tarea 55.8% más rápido que el grupo de control Microsoft Research. Sin embargo, otros estudios más recientes muestran una realidad más matizada: en proyectos open source, Copilot incrementó la productividad del proyecto en 6.5%, pero también aumentó el tiempo de integración en 41.6%, posiblemente por mayores costos de coordinación y revisión (arXiv. 2410.02091).

Es decir: la IA ayuda, pero no reemplaza el juicio técnico.

El espejismo del “vibe coding”

En los últimos años se popularizó el concepto de vibe coding: describir una idea en lenguaje natural, pedirle a una IA que genere el código y avanzar aceptando sus propuestas con poca revisión. Para un principiante, esto puede parecer una revolución total: “si la IA ya programa, ¿para qué estudiar algoritmos, estructuras de datos, bases de datos, redes, sistemas operativos o seguridad?”.

La respuesta es simple: porque el código generado no se entiende, no se gobierna y no se asegura solo.

Un modelo puede producir una solución funcional en apariencia, pero eso no significa que sea mantenible, escalable, segura o adecuada al contexto real del negocio. El riesgo no está en que la IA escriba código, sino en que el usuario no tenga la formación necesaria para distinguir entre una buena solución y una bomba de tiempo técnica.

Investigaciones sobre código generado por herramientas como Copilot, CodeWhisperer y Codeium (Windsurf / Devin) han encontrado debilidades de seguridad en fragmentos reales extraídos de proyectos de GitHub, incluyendo problemas asociados a categorías CWE relevantes como XSS, generación insegura de código o uso insuficiente de aleatoriedad (arXiv.2310.02059). Esto no significa que las herramientas sean inútiles; significa que deben usarse dentro de un proceso serio de revisión, pruebas y seguridad.

La caja negra no puede sustituir al criterio profesional

Para un desarrollador experimentado, la IA es una extensión de su flujo de trabajo. Para un usuario inexperto, puede convertirse en una caja negra que produce respuestas con apariencia de autoridad.

Esa diferencia es crucial.

El ingeniero no solo escribe código. Analiza requerimientos, define restricciones, modela datos, diseña arquitectura, evalúa costos, anticipa fallos, valida seguridad, documenta decisiones, mide rendimiento y mantiene sistemas en producción. La programación es solo una parte visible del trabajo; debajo existen capas de razonamiento técnico que no pueden delegarse ciegamente.

Por eso marcos como SWEBOK V4 de IEEE siguen siendo relevantes: la ingeniería de software no se reduce a “saber programar”, sino que incluye requerimientos, diseño, construcción, pruebas, mantenimiento, gestión de configuración, calidad, seguridad, procesos y prácticas profesionales (IEEE Computer Society).

La IA puede generar código. Pero no puede asumir responsabilidad profesional por ese código.

La seguridad ya no es opcional

El problema se vuelve más serio cuando hablamos de sistemas conectados a datos sensibles, pagos, infraestructura, salud, educación, gobierno o automatización empresarial. Una aplicación construida con IA, sin fundamentos técnicos, puede funcionar en una demo y fallar en producción de formas costosas: fugas de datos, dependencias vulnerables, autenticación débil, errores lógicos, prompts manipulables o decisiones automatizadas sin control.

NIST recomienda integrar prácticas de desarrollo seguro durante todo el ciclo de vida del software, no al final como una revisión superficial. Su Secure Software Development Framework señala que las prácticas de seguridad deben incorporarse en cada modelo de SDLC para reducir vulnerabilidades, mitigar impactos y atacar causas raíz (NIST SSDF SP 800-218).

En el caso específico de aplicaciones con modelos de lenguaje, OWASP advierte riesgos como prompt injection, exposición de información sensible, manejo inseguro de salidas, abuso de agencia, debilidades en vectores y embeddings, y consumo no controlado de recursos (OWASP Top 10 for LLM Applications).

La conclusión es incómoda, pero necesaria: entre más poderosa es la herramienta, más peligroso es usarla sin fundamentos.

El nuevo reto educativo

El desafío del sistema educativo no es prohibir la IA ni convertirla en una moda superficial dentro del plan de estudios. El verdadero reto es rediseñar la enseñanza de TI para formar estudiantes capaces de pensar, construir y evaluar con IA.

Las guías curriculares CS2023, desarrolladas por ACM, IEEE-CS y AAAI, ya reconocen la importancia creciente de la inteligencia artificial en la formación de estudiantes de ciencias computacionales. También enfatizan áreas como fundamentos de programación, algoritmos, matemáticas, sistemas, redes, bases de datos, seguridad, ética e impacto social.
ver (ACM/IEEE-CS/AAAI CS2023)

Esto apunta a un cambio importante: la educación tecnológica debe pasar de enseñar únicamente herramientas a enseñar criterio computacional.

No basta con que el estudiante aprenda “a pedirle cosas a la IA”. Debe aprender a formular problemas, dividirlos en componentes, modelar datos, elegir estructuras adecuadas, analizar complejidad, diseñar pruebas, detectar vulnerabilidades, revisar dependencias y comprender las consecuencias éticas de lo que construye.

UNESCO también ha advertido que la IA generativa en educación requiere un enfoque centrado en el ser humano, con atención a privacidad, ética, validación pedagógica y desarrollo de capacidades reales, no solo adopción acrítica de herramientas (UNESCO.2023).

Qué debería cambiar en los planes de estudio

La enseñanza actual de TI necesita un balance más inteligente. No se trata de escoger entre fundamentos clásicos o herramientas modernas. Se trata de integrarlos.

El estudiante del futuro no debe ser entrenado solo para escribir código desde cero, ni tampoco para depender ciegamente de una máquina. Debe aprender a dirigir sistemas inteligentes, auditar sus resultados y tomar decisiones técnicas con fundamento.

Este cambio no debería limitarse únicamente a las carreras de informática, sistemas o ingeniería de software. La alfabetización digital, la comprensión básica de la inteligencia artificial, la seguridad de la información, la privacidad de datos y el pensamiento computacional deberían comenzar desde la educación primaria y desarrollarse progresivamente durante secundaria, bachillerato y universidad.

Un modelo educativo actualizado debería fortalecer estas competencias por ejemplo:

• En primaria, el objetivo no tendría que ser “programar profesionalmente”, sino desarrollar pensamiento lógico, cuidado de la privacidad, uso responsable de dispositivos y comprensión básica de que los sistemas digitales siguen instrucciones.
• En secundaria, podrían introducirse bases de datos, seguridad digital, automatización, pensamiento algorítmico y lectura crítica de información generada por IA.
• En bachillerato, ya debería existir una formación más clara en programación básica, análisis de datos, ética tecnológica, ciberseguridad y uso responsable de herramientas generativas.
• Finalmente, en universidad, sin importar la carrera, los estudiantes deberían comprender cómo la tecnología transforma su disciplina y qué riesgos, oportunidades y responsabilidades implica.

En un futuro cercano, casi cualquier profesión estará conectada con sistemas digitales: medicina, derecho, arquitectura, administración, educación, diseño, periodismo, contabilidad, logística, marketing o gobierno. Por eso, entender cómo funcionan los datos, los algoritmos, la automatización y los riesgos tecnológicos ya no será una habilidad exclusiva del área de TI, sino una competencia cultural básica para participar de manera crítica y responsable en la sociedad.

La UNESCO, por ejemplo, propone integrar objetivos de aprendizaje sobre IA en los currículos escolares para formar estudiantes capaces de usarla de manera segura, crítica y creativa. Su marco de competencias para estudiantes organiza el aprendizaje en cuatro dimensiones: mentalidad centrada en el ser humano, ética de la IA, técnicas y aplicaciones de IA, y diseño de sistemas de IA; además, plantea una progresión por niveles: comprender, aplicar y crear (UNESC0.2024). Esto refuerza una idea clave: la educación no debe esperar hasta la universidad para hablar de tecnología, datos o inteligencia artificial.

La verdadera ventaja competitiva

La IA hará que muchas tareas básicas sean más rápidas y baratas. Eso no significa que el conocimiento técnico pierda valor; significa que el valor se moverá hacia niveles más altos de abstracción.

El desarrollador que solo copia y pega código generado será fácilmente reemplazable. Pero el profesional capaz de entender el problema, diseñar una solución robusta, usar IA para acelerar partes del proceso y verificar críticamente el resultado será mucho más valioso.

El reporte DORA 2024 encontró que la IA puede mejorar productividad individual, flujo y satisfacción, pero también puede tener efectos negativos en estabilidad y rendimiento de entrega si no existe una base sólida de prácticas de ingeniería (DORA.2024).

La lección es clara: la IA amplifica el sistema que ya existe. Si hay buenos procesos, buena arquitectura, buenas pruebas y buena cultura técnica, la IA acelera. Si hay improvisación, deuda técnica y poca revisión, la IA también acelera el desorden.

Conclusión

La pregunta no es si debemos usar IA para desarrollar software. La pregunta correcta es: ¿tenemos la formación suficiente para usarla sin perder el control?

El futuro de la educación en TI no debe reducirse a enseñar prompts ni a defender nostálgicamente la programación tradicional. El futuro está en formar profesionales capaces de combinar fundamentos sólidos con herramientas inteligentes.

La IA puede escribir código, pero no puede reemplazar la responsabilidad de entenderlo.

Y quizá ese sea el punto central: en una época donde cualquiera puede generar software, la diferencia real estará en quienes sepan pensar como ingenieros.

Fuentes

• ACM, IEEE-CS & AAAI. Computer Science Curricula 2023. CS2023
• IEEE Computer Society. SWEBOK Guide V4.0 Topics. IEEE SWEBOK
• NIST. Secure Software Development Framework SP 800-218. NIST SSDF
• NIST. AI Risk Management Framework: Generative AI Profile. NIST AI RMF
• OWASP. Top 10 for Large Language Model Applications. OWASP
• UNESCO. Guidance for Generative AI in Education and Research. UNESCO
• DORA. Accelerate State of DevOps Report 2024. DORA