Las herramientas de IA hacen que los programadores sean más importantes, no menos
D
e todas las posibles aplicaciones de la IA generativa, la propuesta de valor de utilizarla para escribir código fue quizá la más clara. Programar puede ser un proceso lento y requiere experiencia, lo que puede resultar costoso. Además, la promesa de que cualquier persona que pudiera describir su idea en texto plano podría crear aplicaciones, funcionalidades u otros productos que aporten valor significaba que la innovación ya no estaría limitada a quienes tienen las habilidades para ejecutar, sino que podría ser realizada por cualquiera que tuviera una idea.
A medida que las empresas han anunciado despidos masivos en el sector de la ingeniería (algunos de los cuales se han atribuido directamente a la eficiencia impulsada por la IA), parece que los ejecutivos están experimentando con la reducción de sus departamentos de ingeniería y el uso de bots de IA para compensar la diferencia.
Dado el estado actual de la IA, los líderes deberían considerar tres reglas para utilizar con éxito las herramientas de codificación con IA: pruebas y verificación rigurosas, protección de la infraestructura y tratar a la IA como un posible adversario.
- Pruebas y verificación rigurosas
El código generado por IA exige una verificación más rigurosa, no menos.
— Automatice la verificación con seguridad de tipos. Los lenguajes de programación con seguridad de tipos (como C++, Rust o Scala) aplican reglas sobre cómo fluyen los datos a través de su sistema en tiempo de compilación, detectando categorías llenas de errores antes de que el código se ejecute. Es fundamental destacar que esta verificación no depende de un LLM que pueda alucinar, sino que se trata de una comprobación determinista realizada por un compilador.
— La revisión de código impulsada por IA puede ser sorprendentemente potente. Utilice un agente de IA dedicado a revisar las ediciones de código. Aunque los LLM pueden alucinar durante la revisión, el agente revisor puede detectar problemas que el agente de codificación pasó por alto.
— Las pruebas unitarias le dan a la IA dos oportunidades de hacerlo bien. Las pruebas unitarias son pruebas pequeñas y automatizadas que verifican que los componentes individuales del código funcionen correctamente de manera aislada. Incluso cuando son escritas por un LLM, las pruebas unitarias reducen los errores de forma significativa.
- Protección de la infraestructura
Escribir un código seguro es solo la mitad de la batalla. La ingeniería de software también requiere proteger y reforzar la infraestructura subyacente sobre la cual se ejecuta su código. Al igual que las pruebas y la verificación rigurosas, este es otro aspecto de la ingeniería que puede pasarse por alto fácilmente.
— Separe los entornos de desarrollo y producción. Los equipos profesionales de software mantienen una separación estricta entre los entornos de desarrollo (donde los desarrolladores experimentan en sus máquinas locales) y los entornos de producción (lo que ven los usuarios). Cada entorno utiliza una base de datos independiente, y la IA solo tiene acceso al entorno de desarrollo.
— Evite los depósitos de almacenamiento públicos y otras configuraciones incorrectas comunes. La filtración de la aplicación de citas Tea (que expuso 72,000 imágenes sensibles) fue resultado de un depósito de almacenamiento de Firebase sin protección. Este error de principiante es el equivalente digital de cerrar la puerta principal, pero dejar la ventana abierta.
- Tratar a la IA como un posible adversario
En esta sección, destacamos cómo la amenaza de la IA puede ir más allá del descuido y volverse adversarial.
— No asuma que la IA seguirá las reglas. En ocasiones, los agentes de codificación no permiten la lectura de archivos que puedan contener secretos (como .env). A pesar de estas salvaguardas, yo mismo he visto cómo la IA elude estas medidas de seguridad para leer de forma encubierta un archivo .env.
— Debemos tratar los entornos en los que opera la IA como potencialmente hostiles. Afortunadamente, la solución existe. Tecnologías como Docker y la virtualización han protegido durante mucho tiempo el alojamiento de cargas de trabajo potencialmente hostiles en servidores en la nube.
El camino a seguir
El futuro probablemente implique la colaboración entre ingenieros humanos y herramientas de IA, con los humanos aportando la visión arquitectónica, las pruebas rigurosas y la protección de la infraestructura, mientras que la IA acelera las tareas de implementación. Los líderes que reconocen esta realidad e invierten en procesos de ingeniería rigurosos construirán sistemas más resilientes, seguros y sostenibles que aquellos que compran la narrativa exagerada y confunden la velocidad de generación de código con una productividad real.
© 2026 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Of all the possible applications of generative AI, the value proposition of using it to write code was perhaps the clearest. Coding can be slow, and it requires expertise, both of which can be expensive. Moreover, the promise that anyone who could describe their idea in plain text could create apps, features or other value-adding products meant that innovation would no longer be limited to those with the skills to execute, but could be done by anyone with an idea.
As companies have announced large-scale engineering layoffs — some of which have been directly attributed to AI-driven efficiencies — it appears business executives are experimenting with pairing back their engineering departments and using AI bots to make up the difference.
Given the state of AI today, leaders should consider three rules for successfully using AI coding tools: rigorous testing and verification, securing infrastructure and treating AI as a potential adversary.
RIGOROUS TESTING AND VERIFICATION
AI-generated code demands more rigorous verification, not less.
AUTOMATE VERIFICATION WITH TYPE-SAFETY. Type-safe programming languages like C++, Rust or Scala enforce rules about how data flows through your system at compile-time, catching entire categories of errors before code ever runs. Critically, this verification doesn’t rely on a large language model that might hallucinate — it’s deterministic checking by a compiler.
AI-DRIVEN CODE REVIEW CAN BE SURPRISINGLY POWERFUL. Use a dedicated AI agent to review code edits. Even though LLMs may hallucinate during review, the review agent can catch problems the coding agent missed.
UNIT TESTING GIVES AI TWO CHANCES TO GET IT RIGHT. Unit tests are small, automated tests that verify individual components of code work correctly in isolation. Even when written by an LLM, unit tests reduce errors significantly.
SECURING INFRASTRUCTURE
Writing secure code is only half the battle. Software engineering also requires securing and hardening the underlying infrastructure on which your code runs. Like rigorous testing and verification, it is another aspect of engineering that can be easily overlooked.
SEPARATE DEVELOPMENT AND PRODUCTION ENVIRONMENTS. Professional software teams maintain strict separation between development (where developers experiment on their local machines) and production environments (what users see). Each environment uses a separate database, and the AI only has access to development.
AVOID PUBLIC STORAGE BUCKETS AND OTHER COMMON MISCONFIGURATIONS. The Tea dating app breach — which leaked 72,000 sensitive images — resulted from an unsecured Firebase storage bucket. This rookie mistake is the digital equivalent of closing the front door but leaving your window open.
TREAT AI AS A POTENTIAL ADVERSARY
In this section, we highlight how the threat from AI can go beyond carelessness and become adversarial.
DON’T ASSUME AI WILL FOLLOW THE RULES. Coding agents sometimes explicitly disallow reading files that are likely to contain secrets (like .env). Despite these safeguards, I have personally spotted AI circumventing safety measures to surreptitiously read a .env file.
WE MUST TREAT ENVIRONMENTS WHERE AI OPERATES AS POTENTIALLY HOSTILE. Fortunately, the solution exists. Technologies like Docker and virtualization have long safeguarded hosting potentially hostile workloads on cloud servers.
THE PATH FORWARD
The future likely involves collaboration between human engineers and AI tools, with humans providing architectural vision, rigorous testing and securing infrastructure while AI accelerates implementation tasks. Leaders recognize this reality and invest in rigorous engineering processes, will build more resilient, secure and sustainable systems than those who buy the hype and mistake code-generation speed for genuine productivity.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
