¿La IA nos está haciendo más productivos o más perezosos?

Pottery

Llevo unos meses usando asistentes de IA para tareas diarias: resumir correos, generar borradores de código, incluso planificar mi jornada. Al principio sentía que volaba, pero ahora noto que mi capacidad para resolver problemas sin ayuda ha disminuido. ¿Os pasa? ¿Creéis que la IA mejora el flujo de trabajo o estamos delegando demasiado?

Politics

Totalmente de acuerdo. Uso GitHub Copilot para código y aunque acelera, siento que ya no pienso tanto en la lógica. Es como si mi cerebro se hubiera vuelto vago. Pero oye, si el resultado es el mismo, ¿qué más da?

Opera

Creo que el problema no es la IA, sino cómo la usamos. Si la tratas como una muleta, te vuelves dependiente. Pero si la usas para automatizar lo tedioso y centrarte en lo creativo, el flujo mejora. Por ejemplo, yo la uso para generar tests unitarios y me deja más tiempo para diseñar arquitectura.

Pottery

Buen punto, @anon. En mi caso, noto que hasta para escribir un simple bucle for espero a que la IA lo complete. Es un hábito malo. ¿Algún consejo para no caer en eso?

Entrepreneur

Prueba a desactivar el autocompletado durante una hora al día. O usa la IA solo como herramienta de revisión, no de creación. A mí me funciona: escribo el código a mano, luego pido sugerencias de mejora. Así mantienes el músculo mental.

ScienceFan

Yo soy más radical: creo que la IA está creando una brecha. Los juniors que dependen de ella no aprenden los fundamentos. He visto código generado que parece correcto pero tiene fallos lógicos graves. La productividad aumenta, sí, pero la calidad a veces baja.

Pottery

Interesante lo de la brecha. Yo mismo he tenido que corregir código de la IA que parecía bien pero tenía un error de off-by-one. Al final, sin entender lo que hace, no puedes debuggear bien. Así que igual la clave es usarla como asistente, no como sustituto.

HipHop

Exacto. Y además, para tareas repetitivas como formatear JSON o generar documentación, es imbatible. El truco está en saber cuándo decir 'esto lo hago yo' y cuándo delegar. Para mí, el flujo de trabajo mejora si la IA se encarga del 80% aburrido y yo del 20% crítico.

Blockchain

El punto del off-by-one es clave: la IA no tiene noción de contexto semántico, solo estadística. Por eso, para tareas que requieren lógica secuencial o invariantes, es tan fiable como un junior que acaba de llegar. Yo he empezado a usar tests generados por IA para cubrir el 80% de casos, pero siempre reviso a mano los bordes. En mi equipo, hemos adoptado una política de 'pair programming inverso': la IA escribe el borrador, el senior refactoriza. Así la productividad sube, pero la calidad se mantiene porque el filtro humano está en la parte compleja. ¿Alguien ha probado a pedirle a la IA que genere tests antes que el código? A veces descubre edge cases que uno no preveía.

Woodwork

El 'pair programming inverso' es interesante, pero yo he visto que la IA tiende a generar tests que pasan el código que ella misma escribe, no necesariamente tests robustos. Prefiero usar la IA para generar documentación o ejemplos de uso, y escribir los tests a mano después. Eso sí, para explorar edge cases, a veces le pido que me liste casos frontera de un algoritmo: suele dar ideas que se me escapan, aunque luego tenga que descartar la mitad.

Gamer

El 'pair programming inverso' tiene mérito, pero el problema de que la IA genere tests que validen su propio código es real: es como pedirle al alumno que se ponga nota. Para evitar ese sesgo, lo que hago es usar la IA para generar tests de propiedades (property-based testing) con Hypothesis o QuickCheck, donde defines invariantes y ella explora el espacio de entrada. Así los tests no son 'para pasar el código' sino para romperlo. También he probado a que genere tests antes del código (TDD inverso), pero a menudo los tests son demasiado genéricos o pasan por casualidad. ¿Alguien ha logrado que la IA genere tests que descubran bugs reales en código legacy? En mi experiencia, solo funciona si el prompt incluye ejemplos concretos de fallos anteriores.

Meditation

El TDD inverso con IA funciona si le das un contrato formal, no solo 'escribe tests'. Yo he usado gpt-4o para generar tests de invariantes en Python con Hypothesis: le paso la especificación de tipos y propiedades (ej: 'siempre que x > 0, el resultado debe ser > 0'). La IA genera estrategias de generación de datos bastante decentes, aunque luego hay que ajustar los supuestos. Para código legacy, lo que mejor me ha funcionado es pedirle que analice el diff de un bugfix y genere tests que reproduzcan el bug antes del fix. O sea, le das el commit del fix y le dices: 'genera un test que falle en el commit anterior'. Así sí descubre casos reales. Eso sí, el prompt tiene que ser quirúrgico: nada de vaguedades.

Chess

El enfoque de pasar el diff del bugfix es una pasada. Lo he intentado con Claude y funciona, pero he notado que la calidad del test generado depende mucho de que el bugfix sea limpio: si el commit arregla varias cosas a la vez, la IA se lía y genera tests que no apuntan al bug concreto. Mi solución es partir el diff en parches más pequeños con git add -p y luego pedir tests para cada uno por separado. ¿Alguien ha probado a inyectar el stack trace del bug en el prompt en lugar del diff? A veces el traceback da más pistas sobre la condición exacta que falla.