La IA acelera el trabajo. Las personas siguen siendo responsables.

La IA cambió lo que es económico. Leer todas las páginas de un sitio en vez de una muestra, comparar cinco diseños en vez de uno, revisar todos los registros en vez de los que alguien tuvo tiempo de ver, escribir las pruebas para las que nunca hubo presupuesto: trabajo que antes no era práctico ahora es asequible. Usamos IA en todo el análisis y el desarrollo justamente por eso.

Pero lo que produce un modelo no es la verdad. Los modelos dan falsos positivos (problemas que no existen) y falsos negativos (problemas que se les escapan). Sacan conclusiones con evidencia parcial. Y optimizan la métrica que les des, aunque no sea lo que querías decir: pruebas que pasan porque se debilitó la prueba, un resumen corto porque dejó fuera la parte incómoda. Velocidad sin criterio solo produce respuestas equivocadas más rápido.

El papel humano sube de nivel

Así que la pregunta no es si el trabajo lo hacen personas o la IA. Es qué parte del ciclo le toca a cada una. El ciclo humano es:

1. Entender la operación y lo que necesita el negocio.
2. Analizar la evidencia, con la IA leyendo y comparando a escala.
3. Diseñar la arquitectura de la solución: qué le toca al software determinista, a la IA, a la automatización y a las personas.
4. Planificar el trabajo en piezas lo bastante pequeñas para verificarlas.
5. Dirigir a la IA en cada pieza, con el contexto y las restricciones que necesita.
6. Validar lo que vuelve, contra la evidencia, las pruebas y las reglas del negocio.
7. Corregir lo que está mal, y llevar la lección de vuelta a las instrucciones.
8. Entregar a producción, y seguir respondiendo por cómo se comporta.

La IA acelera el análisis y la implementación por debajo de ese ciclo. No reemplaza ningún paso.

Lo que dejamos que haga la IA

• Borradores: primeras versiones de código, documentos, casos de prueba, scripts de migración y textos.
• Análisis a escala: leer logs, páginas, registros y transcripciones en volúmenes que ninguna persona leería, y señalar patrones y casos atípicos que vale la pena mirar de cerca.
• Código, con revisión: implementación según un plan claro, donde un ingeniero lee y acepta cada cambio antes de que entre.
• Comparación e iteración: probar varios enfoques rápido, para decidir con evidencia y no por costumbre.

Lo que queda en manos humanas

• Plantear el problema. Decidir qué está mal de verdad, y qué significa el éxito, antes de elegir cualquier herramienta.
• Las decisiones de arquitectura. Los límites de los datos, la seguridad, lo que siempre debe comportarse igual, lo que puede fallar y cómo.
• La validación. Decidir si un hallazgo es real y si un cambio es correcto.
• La responsabilidad. Cuando el sistema está en producción, una persona responde por él. “Lo dijo el modelo” nunca es la explicación.

Cómo revisar el trabajo de la IA

Revisar es una habilidad en sí misma, y ahí está hoy buena parte del valor de un ingeniero con experiencia. Los hábitos que mantenemos:

• Contrasta la afirmación con la fuente. Si el modelo dice que una página perdió tráfico o que una función no se usa, abre los datos o el código y confírmalo.
• Prueba contra una respuesta conocida. Corre el análisis en un caso cuyo resultado ya conoces. Si se equivoca ahí, no está listo para los casos que no conoces.
• Busca lo que falta, no solo lo que está mal. Los falsos negativos no se anuncian.
• Lee el cambio, no el resumen. La descripción de un cambio es la opinión del modelo sobre él; el cambio en sí es el hecho.
• Vigila la métrica sustituta. Cuando una métrica mejora, confirma que también mejoró el resultado que representa.
• Mantén los cambios pequeños. Una pieza pequeña se puede verificar; un cambio de mil líneas se lee por encima.

Más sobre cómo funciona este ciclo dentro de cada proyecto en nuestro método.