IA en el desarrollo de código: cómo usarla bien y qué vigilar

Pocas profesiones han incorporado la IA generativa tan rápido como la de programar. Hoy hay asistentes que completan líneas, conversan sobre tu código y, cada vez más, agentes que editan varios archivos y ejecutan pruebas. La pregunta ya no es si se usará, sino cómo usarla sin deteriorar la calidad.

Tres modos de uso

| Modo | Qué hace | Ejemplo | |---|---|---| | Autocompletado | Sugiere el siguiente fragmento mientras escribes | Completar una función a partir de su nombre y comentario | | Chat / asistente | Responde preguntas y genera fragmentos a pedido | "Explícame esta función", "escribe una expresión regular para…" | | Agente de código | Trabaja con varios archivos, ejecuta comandos y pruebas, propone cambios | "Agrega paginación a este endpoint y escribe pruebas" |

A más autonomía, más potencial y más necesidad de revisar.

Dónde suele ayudar más

• Código repetitivo y plantillas: configuración, conversiones de datos, validaciones, modelos.
• Pruebas: generar casos de prueba y datos de ejemplo, ampliar cobertura de funciones existentes.
• Explicar código ajeno: entender un fragmento o un módulo heredado.
• Depuración: interpretar mensajes de error y proponer hipótesis.
• Documentación: comentarios, README, descripciones de pull requests.
• Migraciones y refactorizaciones mecánicas: cambiar de librería, actualizar sintaxis.
• Lenguajes o herramientas que conoces poco: una guía para empezar.
• Scripts de automatización puntuales.

Donde hay que tener más cuidado

• Lógica de negocio sutil: el modelo no conoce tus reglas ni tus excepciones.
• Seguridad: autenticación, criptografía, validación de entradas.
• Código crítico de rendimiento o concurrencia.
• Bases de código grandes con convenciones propias, donde el contexto limitado produce soluciones que no encajan.
• APIs y versiones poco comunes: puede inventar funciones que no existen o usar métodos obsoletos.

Buenas prácticas

Da contexto

Cuanto más sepa del proyecto, mejor responde: el lenguaje y versión, las convenciones, los archivos relevantes, el objetivo y lo que no debe tocar. Muchas herramientas aceptan un archivo de instrucciones del proyecto con estas reglas.

Pide cambios pequeños

Un cambio acotado se revisa en minutos. Uno enorme esconde errores. Piensa en la IA como alguien que prepara borradores de pull requests pequeños.

Revisa todo como si lo hubiera escrito alguien nuevo

El código generado debe pasar la misma revisión: legibilidad, casos límite, manejo de errores, seguridad, rendimiento. Si no entiendes lo que hace, no lo integres.

Apóyate en pruebas

Las pruebas automáticas son tu red de seguridad. Un flujo sano: escribir o revisar la prueba primero y luego pedir la implementación. Y desconfía de pruebas generadas que solo repiten el comportamiento del código sin verificar nada real.

Ejecuta y verifica

No des por buena una respuesta que no ejecutaste. Compila, corre las pruebas, revisa el resultado.

Controla dependencias

Verifica que los paquetes sugeridos existan y sean los correctos. Se han documentado ataques que se aprovechan de nombres de paquetes inventados por los modelos, registrándolos con código malicioso.

Cuida los datos

No pegues secretos, llaves, datos de clientes ni código confidencial en herramientas que tu organización no haya aprobado. Revisa las políticas de retención y entrenamiento del proveedor.

Mantén tu propia habilidad

Si delegas todo, dejas de entender tu sistema. Úsala para acelerar, y sigue razonando el diseño. Pide explicaciones de sus propuestas, no solo código.

Riesgos a vigilar

| Riesgo | Descripción | |---|---| | Errores sutiles | Código que compila y parece correcto, pero falla en casos límite | | Vulnerabilidades | Patrones inseguros copiados de los datos de entrenamiento | | Deuda técnica | Mucho código funcional pero duplicado e inconsistente | | Licencias | Fragmentos que puedan parecerse a código con licencia restrictiva; conoce la política de tu herramienta y de tu empresa | | Exceso de confianza | Sobreestimar su fiabilidad porque suena segura | | Sesgo de automatización | Aprobar cambios sin revisar porque "lo hizo la IA" |

Lo que dice la evidencia

Los estudios muestran resultados mixtos y dependientes del contexto: algunos observan mejoras claras de velocidad en tareas acotadas, mientras que un estudio controlado de METR en 2025 con desarrolladores experimentados en proyectos grandes y familiares halló que tardaron más al usar asistentes, aunque creían lo contrario. Mide tu propio caso en lugar de asumir.

Cómo adoptarla en un equipo

1. Define casos de uso y políticas claras de datos y revisión.
2. Empieza con un grupo piloto y recoge lo que funciona.
3. Exige la misma calidad: revisión por pares y pruebas, sin excepciones por origen del código.
4. Mide resultados: tiempo de entrega, defectos, satisfacción, no "cantidad de código generado".
5. Comparte prácticas y plantillas de prompts entre el equipo.
6. Prepara a quienes empiezan: que aprendan fundamentos, no solo a pedir código.

Mis reglas, aprendidas por las malas

Yo uso Claude Code y ChatGPT para planear, diseñar y escribir código. Una vez me ayudaron a entregar un proyecto antes de tiempo y, al revisarlo, encontré varios problemas. Llegó a producción a tiempo, pero a partir de ahí endurecí mis controles. Hoy ningún código generado por IA entra sin pasar por tres filtros:

1. Pruebas unitarias y de integración.
2. Inspección humana de lo que cambia.
3. Análisis estático (SAST), por ejemplo con SonarQube, que atrapa patrones inseguros o descuidados que a simple vista se escapan.

Como responsable de DevSecOps, esto último me importa especialmente: el código escrito por una máquina merece la misma desconfianza sana que el escrito por una persona.

Para finalizar

La IA en el desarrollo es un gran amplificador: acelera lo mecánico y deja más tiempo para diseñar y decidir. Pero amplifica tanto los aciertos como los errores. Quien tiene buenas prácticas de ingeniería (pruebas, revisión, integración continua) la aprovecha mucho mejor. Úsala como a un compañero rápido y entusiasta que necesita supervisión: delégale lo que puedas verificar y conserva tú la responsabilidad del resultado.