"La pregunta equivocada lleva a la respuesta equivocada. La IA no vino a reemplazar a quien resuelve problemas; vino a reemplazar la parte mecánica de teclear la solución." "¿Los agentes de IA van a reemplazar a los desarrolladores?" Esa es, por mucho, la pregunta que más recibo de jóvenes programadores, ingenieros sénior y directores de tecnología. La respuesta corta es no. Pero la respuesta larga, respaldada por los datos más recientes del mercado laboral global y de la propia ingeniería de software, es mucho más interesante y útil para quien quiere posicionarse en los próximos diez años. ## Lo que muestran los datos globales: la exposición de tareas no es la extinción de la profesión Siempre que surge una tecnología transformadora, el debate público suele dividirse entre dos extremos ruidosos: el vendedor de cursos prometiendo que "ya nadie necesitará programar en seis meses" y el escéptico negando que el mundo haya cambiado. Cuando miramos los estudios primarios, la realidad es mucho más clara. En mayo de 2025, la Organización Internacional del Trabajo (OIT / ILO), agencia de las Naciones Unidas, publicó en colaboración con el instituto nacional de investigación polaco NASK el informe Generative AI and Jobs: A Refined Global Index of Occupational Exposure, mapeando más de 30.000 tareas en cientos de ocupaciones alrededor del mundo. Los números centrales del estudio ayudan a separar los hechos del alarmismo: - 25% del empleo global presenta algún grado de exposición a la inteligencia artificial generativa (llegando al 34% en los países de altos ingresos); - Las profesiones de escritura, análisis de datos, soporte administrativo y desarrollo de software están en el rango de alta exposición técnica; - Sin embargo, la conclusión principal de los economistas de la OIT es tajante: la exposición de tareas no equivale a la pérdida del puesto de trabajo. En la inmensa mayoría de las ocupaciones técnicas, la IA automatiza un subconjunto de actividades rutinarias, exigiendo la transformación de la función humana hacia tareas de supervisión, integración y juicio crítico. Es exactamente el mismo fenómeno documentado por el economista David Autor, del MIT (2015), al estudiar décadas de automatización: cuando los cajeros automáticos se expandieron en los bancos a partir de los años 1970, el número de bancarios no se redujo; la tarea mecánica de contar billetes disminuyó y el profesional pasó a desempeñarse en crédito, relaciones y resolución de problemas complejos. ## Dónde brilla la IA hoy frente a dónde falla: la lección de Fred Brooks Para entender por qué los agentes de IA aceleran brutalmente una parte de la programación y tropiezan en otra, vale la pena recuperar uno de los textos más importantes de la historia de la computación. En 1986, Fred Brooks, ganador del Premio Turing y autor de El hombre del mes mitológico, publicó el ensayo clásico No Silver Bullet: Essence and Accidents of Software Engineering. En él, Brooks dividió la dificultad de construir software en dos naturalezas completamente distintas: 1. Complejidad accidental (Accidental Complexity): todo aquello que hacemos solo para traducir una idea a la máquina (escribir código boilerplate, recordar la sintaxis exacta de una biblioteca, crear pruebas unitarias repetitivas, convertir JSON, formatear consultas SQL, escribir documentación estándar); 2. Complejidad esencial (Essential Complexity): la dificultad intrínseca del problema real en el mundo humano (entender una regla de negocio contradictoria, decidir el trade-off entre consistencia de datos y latencia, negociar el alcance con diferentes áreas de la empresa y garantizar que el sistema no falle bajo una caída de la red). Cuando miramos a través de esta lente, queda cristalino lo que está ocurriendo en la práctica: ### Lo que los agentes de IA hacen muy bien (Complejidad accidental) - Generar código boilerplate y estructuras iniciales en segundos; - Sugerir implementaciones para algoritmos y problemas bien delimitados; - Automatizar refactorizaciones mecánicas y la conversión entre lenguajes; - Analizar grandes volúmenes de logs y señalar patrones conocidos de error; - Escribir conjuntos de pruebas para funciones existentes y documentar APIs. Las herramientas modernas como Gemini, Claude y los copilotos agénticos ya operan en este territorio con una velocidad que ningún ser humano escribiendo a solas puede igualar. ### Lo que los agentes de IA NO hacen por ti (Complejidad esencial) - Entender un contexto de negocio ambiguo donde ni el propio cliente sabe explicar el origen de su dolor; - Percibir que el pedido escrito en el ticket no debe construirse porque generará un costo de mantenimiento mayor que el beneficio; - Tomar decisiones de arquitectura con información incompleta y restricciones financieras reales; - Construir confianza, alinear expectativas entre equipos y negociar plazos; - Asumir responsabilidad ética, técnica y financiera cuando el sistema entra en producción. Un modelo de lenguaje genera probabilidades estadísticas de texto y código; no responde por el incidente a las tres de la mañana ni firma la gobernanza de los datos de la empresa. ## La paradoja de la confianza en el informe DORA Esta división entre generar código rápido y operar sistemas confiables apareció con fuerza en los levantamientos globales del Informe DORA (Accelerate State of DevOps, Google Cloud). Los datos muestran que cerca del 90% de los profesionales de tecnología ya han incorporado herramientas de inteligencia artificial en su rutina de trabajo. Al mismo tiempo, sin embargo, aproximadamente 30% de los desarrolladores afirman confiar poco o nada en la calidad y la seguridad del código generado por IA sin una revisión humana profunda. Más que eso: los equipos que usan IA solo para inflar el tamaño de los lotes de código (pull requests gigantescos generados sin revisión arquitectónica) terminan sufriendo una caída en la estabilidad de las entregas en producción. En otras palabras: cuanto más barato y rápido es generar líneas de código, más caro y valioso se vuelve el profesional capaz de auditar, arquitrectar y validar si ese código tiene sentido.
La pregunta correcta para el desarrollador de 2030
A la pregunta correcta no es "¿voy a ser sustituido por la IA?", sino "¿qué parte de mi trabajo actual es solo escritura mecánica y cómo subo un peldaño en la cadena de decisión?"
Los desarrolladores que tratan a la IA solo como una amenaza van a perder espacio frente a los ingenieros que usan agentes de IA como palanca. Es exactamente como la calculadora en la ingeniería civil: no extinguió a los ingenieros estructurales; eliminó a quien se ganaba la vida solo haciendo multiplicación manual en el papel.
El profesional de tecnología más disputado en los próximos años escribirá menos código repetitivo desde cero, pero necesitará dominar cuatro pilares:
- Fundamentos profundos de sistemas, datos y seguridad: solo puedes revisar y corregir el error sutil de un agente de IA si entiendes de verdad cómo funcionan por debajo del capó la base de datos, la red, la concurrencia y la memoria;
- Orquestación y ingeniería de contexto: saber descomponer problemas complejos en etapas verificables para que los agentes ejecuten el trabajo pesado con seguridad;
- Visión de retorno sobre la inversión (ROI y FinOps): evaluar si la solución propuesta se sostiene financieramente en la nube y en la operación;
- Comunicación y liderazgo humano: traducir la tecnología en una decisión clara para quienes gobiernan el negocio.
En mi rutina, invierto fuerte en construir y operar agentes de IA no por temor al futuro, sino por la oportunidad práctica de multiplicar la capacidad de entrega. Cuando dejas de gastar el ochenta por ciento de tu semana peleando con sintaxis repetitiva, sobra energía para hacer el trabajo que ninguna máquina hace: pensar con profundidad, diseñar buenas arquitecturas y resolver problemas reales.
Continúa profundizando: lee también El Futuro del Trabajo Técnico: 2025-2030 e IA para Empresas: Cómo Llevar Agentes a la Operación. Conoce también la arquitectura de Agentes de IA en Producción y las Herramientas Interactivas.
Referencias y lecturas verificables
- Organización Internacional del Trabajo (OIT / ILO) & NASK (mayo de 2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. Ginebra: ILO Publications.
- Google Cloud / DORA (2024/2025). Accelerate State of DevOps Report. DevOps Research and Assessment.
- Brooks, F. P. (1986). No Silver Bullet: Essence and Accidents of Software Engineering. Information Processing 86, Elsevier Science Publishers / IEEE Computer, 20(4), 10-19 (1987).
- Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30.
Una buena conversación merece continuar.
Comparte el artículo o publica las diapositivas en tus Stories y Feed.

Cesar Zanis
15+ años liderando arquitectura de software, bases de datos críticas, FinOps e IA aplicada. Estructuró y escaló una operación de ingeniería desde cero hasta más de 20 desarrolladores.
¿Te gustó este artículo?
Publico análisis prácticos sobre arquitectura de sistemas críticos, Cloud FinOps, datos, IA y liderazgo de ingeniería directamente en LinkedIn.
Continuar leyendo
Lleva este análisis más allá con datos y fuentes
Todas las tarjetas visuales de este artículo están listas arriba para compartir en tus Stories, Feed, WhatsApp o LinkedIn con las fuentes.



