> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/es/2025/w44-formulating-next-years-technical-decisions-for-ai-coding.md).

# W44-Esbozar las decisiones técnicas sobre programación con IA para el próximo año

Últimamente pienso en cómo fijar los objetivos de programación con IA para el próximo año y cuánto invertir. Quiero esbozar un marco para este tipo de decisiones técnicas. Este año, la programación con IA sigue en la fase de mejorar la productividad individual. Si lo miramos desde la construcción de capacidades de la organización, nuestra inversión de recursos es aproximadamente cero.

**Primero, ver cuánto margen de costos nos permiten el entorno interno y el externo.**

El margen de costos del negocio es la variable decisiva. Es muy probable que el próximo año la IA no despierte tanto entusiasmo como este. La tolerancia a los costos que permiten tanto el entorno interno como el externo disminuirá. Las oportunidades que dejemos pasar este año no volverán el próximo.

Conviene hablar de los ingenieros full stack por niveles. Formar a un ingeniero que alcance el nivel medio esperado en cada especialidad exige mucho tiempo y dinero. Una opción más realista es delimitar un conjunto de escenarios y fijar objetivos alcanzables. Por ejemplo, formar en seis meses ingenieros full stack capaces de trabajar en un tipo general de escenario de negocio, y establecer cuántas veces pueden acortar el plazo de entrega o cuánto personal pueden ahorrar frente a la colaboración entre especialistas de distintas capas.

**Después, conocer los límites de la ingeniería.**

Hay que profundizar continuamente en los límites y las posibilidades de un conjunto de tecnologías y prácticas de ingeniería. Debemos saber qué tamaño de pieza puede cortar el cuchillo que tenemos en la mano. Los límites actuales de ingeniería de los LLM y los agentes se están perfilando.

La idea de que la capacidad de los modelos está chocando con un techo es una conclusión que infiero de muchas señales. Veo tres razones principales.

La primera es lo que Sutton ha dicho recientemente sobre el «mundo grande y el mundo pequeño». Los grandes modelos no son verdadera inteligencia, pertenecen al mundo pequeño y no pueden aprender de forma continua mediante la observación.

La segunda es que Grok ha mostrado que también se ha llegado a un límite con una regla tan importante como la ley de escalado. Grok 4 ya emplea una infraestructura de 200.000 GPU, y Musk cree de forma absoluta en la ingeniería. Aun así, la respuesta del mercado ha sido tibia y la capacidad del modelo no ha abierto una brecha decisiva. Parece claro que, cuando las capacidades de los modelos son parecidas, xAI no entrega ese valor al usuario tan bien como OpenAI y Claude.

La tercera es que la expectativa del sector de salir de la dependencia de la arquitectura Transformer sigue sin cumplirse. Ha pasado más de medio año y Thinking Machine, en la que muchos tenían puestas sus esperanzas, sigue sin lograr un avance decisivo.

Por eso creo que las oportunidades de un salto en la capacidad de los modelos se están reduciendo. Basta con esperar y observar. Es como si el salto de Intel a M1 ya hubiera terminado y ahora solo quedara esperar a M2, M3… Dentro de unos años, nadie recordará por qué número de M vamos.

Muchas investigaciones de este año nos han ayudado a entender mejor los límites de los grandes modelos. Por ejemplo, por qué no cuentan bien las letras r de strawberry, por qué existen las alucinaciones y la incertidumbre, o problemas como Context Rot.

También vamos conociendo los límites de los agentes como sistemas de ingeniería. Sigue habiendo una gran distancia entre los agentes y las tareas del mundo real. Por ejemplo, cuando el código falla, podemos dejar que la IA resuelva los problemas sencillos, como los errores de sintaxis. Pero, ante problemas complejos, como errores lógicos o inesperados, una persona debe entender primero qué ocurre e indicar con claridad a la IA cómo corregirlo. No sirve con arrojarle todos los mensajes de error. Si ni siquiera uno sabe qué hacer, pegar todos los errores y decir «IA, arréglalo» hará que cambie cosas sin criterio y empeore la situación.

El próximo año, el sector prestará más atención a los beneficios y las aplicaciones. Una posibilidad está en los costos. Las llamadas a los grandes modelos siguen siendo caras, pero podrían acabar siguiendo una trayectoria de costos marginales decrecientes, a medida que aparezcan más trabajos como DeepSeek-OCR. Otra es que la construcción del ecosistema de agentes experimente un crecimiento de mayor escala.

**Por último, encontrar los escenarios y el camino adecuados.**

Aunque la programación con IA asume parte del trabajo y acelera el aprendizaje, quien vaya a desempeñarse bien sigue necesitando completar sus conocimientos y construir una nueva comprensión. Ese proceso no puede omitirse. Los ingenieros pragmáticos entienden que lleva tiempo. Cada exploración supone una negociación entre lo nuevo y lo existente, cuyo resultado es encontrar los escenarios y la posición que ofrecen la mejor relación entre costo y beneficio para cada uno. El frontend ya vivió una ola de desarrollo full stack con Node. Aunque no se convirtió en la opción dominante, hoy ya no hace falta discutir «qué debería hacer Node». Ese proceso tomó entre 3 y 5 años. Además, entender de verdad el lado del servidor determina hasta dónde se puede llegar. Hay ámbitos en los que el frontend no tiene experiencia, como el modelo de procesos y el control de concurrencia, las bases de datos y las transacciones, la autenticación y los modelos de seguridad, o el escalado y la recuperación ante desastres. Todo ello hace que el full stack sea un espectro de ajustes continuos, no un salto instantáneo.