La IA no eliminará la sobreingeniería. La acelerará
Por qué el modelo devuelve por defecto soluciones excesivas, qué freno natural de la complejidad desapareció y cómo usar la IA como editor y no como generador.
El problema
La sobreingeniería es resolver un problema simple de forma complicada: una landing sobre microservicios, Kubernetes para diez usuarios, una arquitectura pensada para un millón de peticiones cuando el tráfico es modesto. Pagas con dinero y con tiempo una solución incomparablemente más compleja que el propio problema.
Así están dispuestos los incentivos. Una solución compleja se lee como profesional; una simple, como inacabada. A nadie lo despidieron por elegir Kubernetes. Despidieron a quien no pensó en la escalabilidad. Con esa asimetría, curarse en salud es racional, y los desarrolladores se curan en salud.
Por qué la IA no ayuda aquí
La IA aprendió de código abierto y de artículos, y allí predominan las soluciones de las grandes empresas: ellas escriben los blogs, publican los frameworks, marcan la moda. Sus problemas son otros: millones de usuarios, cientos de desarrolladores, requisitos regulatorios.
Ante la petición «escribe la autenticación», el modelo devuelve lo que más ha visto: una estructura por capas con abstracciones, interfaces y manejo de escenarios que nunca vas a tener. Es una respuesta correcta a la petición promedio de internet. Tu proyecto no entra en ese promedio.
Qué cambió
Antes la complicación se pagaba con tiempo. Escribir cinco capas de abstracción era una semana de trabajo. Hacia el tercer día uno empezaba a dudar de si hacían falta. El precio funcionaba como freno.
Ahora esas mismas cinco capas se generan en un minuto. El código se lee bien, las pruebas pasan, la función anda: en apariencia todo está en orden. Pero el coste principal de la complejidad no está en escribirla, sino en mantenerla. Dentro de medio año habrá que cambiar algo en ese código, y entonces llegará la factura. Es deuda técnica contraída al instante y sin una decisión consciente.
El único freno natural de la sobreingeniería ha desaparecido. No se trata de la calidad de la generación: el código puede ser excelente. Se trata de que se volvió demasiado barato.
Qué funciona
Usar la IA como editor
El escenario habitual es otro: el desarrollador pide generar un módulo desde cero, recibe 500 líneas y las pega en el proyecto. Nadie se pondrá a averiguar qué sobra: el código funciona. Así entra la sobreingeniería en un proyecto, en una sola generación.
El orden inverso da otro resultado:
- Primero lo escribes tú. Treinta líneas, un JWT simple, una función de verificación. A cambio, entiendes cada línea.
- Luego se lo das a la IA para simplificar. «Aquí está el código. Quita todo aquello sin lo que siga funcionando. Muéstrame qué se puede tirar.»
- Revisas las propuestas. Algunas fallarán, pero en este modo el modelo trabaja mejor: encuentra lo sobrante con más precisión de la que tiene al inventar lo necesario.
Al editar hay un punto de referencia: tu código y tu comprensión de la tarea. Al generar no hay punto de referencia, y el modelo pone el promedio.
Dos técnicas más:
- Restricciones en el prompt. Si generas desde cero, marca el límite de forma explícita: «La solución más simple que funcione. Sin frameworks, sin capas de abstracción. SQLite, un solo archivo.»
- Contexto del proyecto. La frase «tengo 100 usuarios y un servidor de diez dólares» cambia la respuesta más que cualquier ajuste de redacción.
Cómo lo resuelven las grandes empresas
Las empresas que adoptaron agentes de IA con más profundidad construyeron toda una capa de restricciones alrededor de la generación.
Stripe, según descripciones públicas, pasa por IA más de mil pull requests por semana. Las tareas para los agentes se formulan de forma estrecha: no «haz una funcionalidad», sino un cambio estrictamente acotado. Las herramientas disponibles para el agente se eligen a mano. Cada resultado pasa por revisión. La empresa sacrificó conscientemente la magnitud de la tarea a cambio de la previsibilidad del resultado.
En Google, Shopify y Airbnb las arquitecturas difieren: no hay un estándar único en la industria y cada quien construye según sus riesgos. Lo común es que los agentes se integran en procesos que ya existen (GitHub, Slack, Linear) y se rodean de controles.
Ninguna de ellas toma el resultado de la generación tal cual. El valor aparece por el marco que rodea a la generación.
Conclusión
La IA amplifica lo que ya está en la cabeza del desarrollador. La tendencia a complicar la ejecuta en segundos; el hábito de recortar lo sobrante, también.
La decisión de que este código es demasiado complejo para esta tarea la sigue tomando una persona. La IA solo la ejecuta más rápido.