La IA no matará el software: por qué lo hará más grande y complejo

De Mosaic a la era de la IA: breve historia y por qué importa

La frase de Marc Andreessen de 2011 —»El software se está comiendo el mundo»— resumió una tendencia real: durante décadas las empresas más disruptivas han construido ventaja competitiva dominando el software y transformando mercados. Esa transición arrancó mucho antes, con hitos como Mosaic y Netscape en los años noventa, y evolucionó hacia modelos de negocio cloud y SaaS (Software as a Service) que transformaron aplicaciones en servicios suscritos.

La aparición de herramientas como GitHub Copilot (verano de 2021) y el lanzamiento de ChatGPT en noviembre de 2022 aceleraron otra ola de cambio: la capacidad de la IA generativa para escribir y orquestar software. Para mercados, clientes y equipos de ingeniería esto significa una promesa —mayor productividad y nuevas capacidades— y un riesgo —deuda técnica, dependencia de proveedores y retos de gobernanza—. Por eso la discusión sobre si la IA «matará» al software importa: define inversiones, puestos de trabajo y estrategias corporativas para los próximos años.

El «SaaSpocalypse»: qué pasó y qué no significa

En los últimos meses el temor a que la IA canibalice el modelo SaaS provocó fuertes reacciones en bolsa: según reportes recientes, las cotizadas de software llegaron a perder en conjunto alrededor de 300.000 millones de dólares en un periodo corto, con caídas puntuales del 15–20% en compañías como MongoDB, Salesforce, Shopify o Atlassian.

Esas fluctuaciones combinan varios factores:

• Temor por la sustitución funcional: clientes que creen que la IA les puede dar herramientas para replicar funciones de plataformas SaaS a menor coste.
• Reacción a prácticas comerciales: décadas de subida de precios y contratos rígidos en algunas grandes plataformas han motivado búsqueda de alternativas.
• Corrección post-burbuja: muchas valoraciones impulsadas por la pandemia (2020–2021) estaban sobreextendidas y son susceptibles de ajuste.

Conclusión clave: pérdidas bursátiles y titulares catastróficos no equivalen al fin del software. Más bien marcan una redistribución de percepciones de valor y la apertura de nuevas oportunidades para sustituir o complementar proveedores tradicionales.

Cómo la IA está cambiando la creación de software: vibe coding y ‘agentic engineering’

El fenómeno conocido como «vibe coding» —y la propuesta de Andrej Karpathy de llamarlo «agentic engineering»— describe dos realidades conectadas: la democratización de la creación software y la aparición de agentes autónomos que orquestan tareas complejas. Herramientas capaces de generar código y pequeños servicios han permitido que usuarios no expertos creen «microaplicaciones a medida».

Para equipos técnicos esto implica:

• Más producción de artefactos: más líneas de código, microservicios y automatizaciones creadas con soporte de IA.
• Mayor heterogeneidad: incremento de tecnologías, patrones arquitectónicos y dependencias.
• Nueva capa de trabajo: en lugar de solo escribir código, los equipos deberán diseñar, validar y mantener pipelines donde la IA es parte del proceso productivo.

Steven Sinofsky y otros observadores han señalado que la historia tecnológica muestra patrones similares: transformaciones que parecen amenazar tecnologías previas terminan integrándolas y ampliando la demanda total. El PC no «mató» al mainframe; el comercio electrónico no eliminó la tienda física. Con la IA, la expectativa más probable es más software distinto, no menos.

Riesgos prácticos y retos para empresas y desarrolladores

La adopción generalizada de generación automatizada de software plantea riesgos concretos que las organizaciones deben gestionar:

• Deuda técnica y mantenibilidad: el código generado por IA puede funcionar hoy pero ser difícil de entender o mantener en el futuro. Si los creadores no comprenden la base, el coste de soporte se dispara.
• Seguridad y privacidad: agentes que procesan datos sensibles externamente generan interrogantes sobre soberanía de datos, fugas y cumplimiento normativo.
• Calidad y confiabilidad: modelos generativos cometen errores, inventan funciones o confían en dependencias obsoletas; la supervisión humana es imprescindible.
• Dependencia de proveedores: usar agentes de terceros (OpenAI, Anthropic u otros) puede generar bloqueo tecnológico y contractual si no se negocian garantías de portabilidad y tratamiento de datos.
• Consumo energético y coste de infraestructura: modelos grandes requieren hardware y costes operativos que deben sopesarse frente a la alternativa SaaS tradicional.
• Riesgos regulatorios y de propiedad intelectual: ¿quién es dueño del código generado con datos corporativos? La respuesta puede variar según jurisdicción y contrato.

«La IA será una herramienta, y hará que la gente sea más productiva … Creo que [el código que genere] va a ser algo horrible de mantener… así que no creo que los programadores desaparezcan.» — Linus Torvalds

Recomendaciones prácticas para equipos técnicos y responsables TI

Convertir la disrupción en ventaja competitiva requiere políticas, controles y prácticas concretas. Sugerencias accionables:

• Implantar gobernanza para herramientas de IA: definir quién puede usar qué modelos, en qué casos y con qué datos. Crear listas blancas/ negras de proveedores.
• Human-in-the-loop y pruebas obligatorias: todo código o agente generado debe pasar por revisiones automatizadas (linting, análisis estático) y revisiones humanas antes de producción.
• Prácticas de MLOps y AIOps: monitorizar modelos, versionar prompts, métricas de rendimiento y trazabilidad de decisiones algorítmicas.
• Auditoría de mantenibilidad: aplicar métricas de deuda técnica y revisar regularmente los artefactos generados por IA para refactorización planificada.
• Estrategia de datos y soberanía: definir dónde se procesan datos sensibles, emplear soluciones on-premise o modelos privados si la regulación o la sensibilidad lo exige.
• Mitigación de vendor lock-in: pactar cláusulas de portabilidad, exportación de artefactos y derechos sobre modelos/artefactos en los contratos con proveedores.
• Pilotos y evaluación coste-beneficio: comenzar con proyectos limitados que midan impacto real en TTM (time-to-market), coste y calidad antes de una adopción masiva.
• Formación y re-skilling: enfocar la formación en habilidades de arquitectura, validación de modelos, seguridad y gobernanza en lugar de solo en sintaxis.

Conclusión

La narrativa de que la IA «matará» al software simplifica un proceso más complejo. Los indicios apuntan a una metamorfosis: la IA aumentará la velocidad y el alcance de la creación software, pero también elevará la complejidad, los requisitos de gobernanza y la necesidad de perfiles técnicos especializados. El resultado más probable es más software, distinto y con nuevas capas de responsabilidad.

Para empresas y desarrolladores la prioridad es clara: adoptar la IA con controles, métricas y procesos que preserven mantenibilidad, seguridad y soberanía de datos. Quienes lo hagan bien obtendrán ventaja competitiva; quienes no, afrontarán costes técnicos y regulatorios crecientes.

Source: www.xataka.com