Cinco objeciones a la IA que programa (y por qué no convencen)

Por qué la gente dice que no le gusta programar con IA

La conversación sobre programación asistida por IA suele dividirse en dos bandos. Por un lado, los fondateurs y CTOs que ya metieron Claude Code, GitHub Copilot o Codex en su flujo diario y reportan saltos de productividad reales. Por el otro, un grupo cada vez más ruidoso de desarrolladores senior que mira esos mismos resultados con rechazo abierto. El blog sicpers.info, del programador y filósofo A. L. F. A. O'Brien, publicó un post titulado Reasons to Dislike AI Coding que cataloga cinco objeciones recurrentes: que el código generado no es "arte", que la IA "roba empleos", que los humanos quedan como "proxies de carne" frente a la máquina, que la IA no sigue las reglas de la ingeniería de software, y que las grandes empresas detrás de estos modelos son "malos actores".

La gracia del texto no es que esté a favor o en contra: es que las cinco objeciones se leen igual que el manual del perfecto insatisfecho. Y, mirándolas con datos, casi todas tienen una respuesta más concreta de lo que parece.

"El código generado no es arte"

El primer argumento es el más filosófico. Si el software es una forma de arte, el código escrito por una IA no lo es, porque carece de la "inefabilidad creativa" que define a una obra humana. O'Brien concede el punto medio: la gente que paga por software no compra arte, compra resultados. Y los resultados de un artefacto funcional son los mismos independientemente de cómo se haya fabricado. Si el software compila, pasa los tests y resuelve el problema del usuario, el usuario final no está mirando el monólogo interno del programador.

Esto no es nuevo. El oficio del programador lleva décadas aceptando que el código es, ante todo, un medio para un fin. Lo que cambió con la IA no es el propósito del software, sino la velocidad y el coste marginal de producirlo. Para una startup en etapa temprana, eso es literalmente lo que define si llega a tener producto o no.

"La IA me va a robar el empleo"

El segundo argumento es el más repetido y, según los datos disponibles, el más exagerado. Un estudio de Microsoft publicado en julio sobre el despliegue interno de Claude Code y GitHub Copilot CLI midió un aumento del 24% en pull requests fusionados por ingeniero y por día durante cuatro meses. El rango probable del efecto fue de +14,5% a +33,7%, y el salto no se atenuó con el tiempo. Quienes usaron las herramientas cinco o más días por semana vieron subidas por encima del 50%, frente a cerca del 15% en quienes las usaban solo tres días.

El dato que contradice el discurso del "desempleo masivo" viene de TrueUp, plataforma que sigue a más de 9.000 empresas tech: en octubre de 2026 había más de 280.000 vacantes activas en el sector, una cifra muy por encima del arranque del año, y en clara recuperación frente al pico de despidos post-pandemia. La propia Harvard Gazette, en un reportaje de septiembre, recoge que el 41% de las tareas laborales ya son automatizables o aumentables con IA, pero que solo alrededor de un tercio de los experimentos corporativos de IA tienen éxito. La conclusión del economista Doug Elmendorf (Harvard Kennedy School) es directa: lo que hemos visto del impacto laboral de la IA "tiene muy poco poder predictivo" sobre lo que viene en cinco o diez años.

Dicho de otro modo: la IA no está eliminando programadores, está cambiando el tipo de programador que se contrata. Los senior que saben revisar, diseñar arquitectura e integrar sistemas siguen siendo los más demandados; los juniors que solo sabían picar boilerplate son los que más presión están sintiendo.

"Los humanos quedamos como carne cañón"

El tercer argumento tiene una genealogía que O'Brien rastrea con cuidado: la cita viene de un fragmento de Marx escrito en 1857-1858, donde ya se advertía que la acumulación de conocimiento se incorpora al capital como "fuerza productiva del cerebro social". Quien firma el post lo usa para decir que esto no empezó con la IA: empezó con la máquina de vapor. La separación entre quien define la tarea y quien la ejecuta existía antes; lo que cambia con la IA es la velocidad a la que esa separación se profundiza.

El problema, como advierte la profesora Raffaella Sadun (Harvard Business School) en el reportaje de la Harvard Gazette, es que automatizar personas tiene trampa: el conocimiento tácito del empleado —conocimiento específico de la empresa, del mercado, del cliente— suele valer mucho más de lo que dice su descripción de cargo. La startup que automatiza ese conocimiento para ahorrar costes está canjeando ahorro a corto plazo por una deuda operativa a dieciocho meses vista. El humano ya no escribe la línea, pero sigue siendo el que decide qué línea se escribe.

"La IA no sigue las reglas de la ingeniería"

El cuarto argumento apela a Bertrand Meyer y al viejo catálogo de buenas prácticas —SOLID, composición sobre herencia, Ley de Demeter— como si fueran el ADN de la profesión. O'Brien responde con un recordatorio incómodo: buena parte de la historia del software ha sido empírica y chapucera, desde copiar de Stack Overflow hasta reescribir listados de Numerical Recipes hasta que funcionasen. La IA no es más ni menos rigurosa que esa práctica: simplemente la industrializa.

Aquí sí hay un matiz importante. El estudio de Microsoft sobre Claude Code en código abierto revisó 567 pull requests en 157 proyectos: el 83,8% se fusionó, pero solo el 54,9% entró sin cambios humanos adicionales. El 45,1% restante requirió revisión humana, sobre todo en corrección de bugs, documentación y estándares específicos del proyecto. Las reglas, en la práctica, las siguen poniendo los ingenieros senior —ahora desde la fase de revisión en lugar de desde la fase de escritura—.

"Las big tech de la IA son malos actores"

El quinto argumento es el más político y el más difícil de desmontar con datos. La sospecha de que OpenAI, Anthropic, Google y Microsoft operan con incentivos contrarios al interés general no es nueva ni gratuita. Pero, como el propio O'Brien apunta, el razonamiento solo se sostiene si se asume que no hay alternativa a esas empresas. Y la realidad es que el ecosistema de modelos abiertos y académicos (Llama, Mistral, modelos académicos, Pi de Earendil, ejecutables localmente) no ha dejado de crecer en 2026.

La TechRepublic documentó en julio cómo las propias empresas están reaccionando: California ya prohíbe usar IA como único criterio para despedir y obliga a notificar a los empleados cuando un recorte se atribuye a IA. No es la solución al problema de fondo, pero sí una señal de que el marco regulatorio se está moviendo al ritmo de la adopción.

¿Qué significa esto para tu startup?

Lo que el post de O'Brien deja claro, aunque no lo pretenda, es que las cinco objeciones se desactivan con evidencia concreta y contexto histórico. La IA que programa no es arte, no es desempleo, no es deshumanización, no es ausencia de reglas y no es monopolio: es una herramienta con efectos medibles, costes reales y un marco regulatorio en construcción. La pregunta útil no es si te gusta o no, sino dónde la metes en tu flujo para que devuelva más de lo que cuesta.

Tres acciones para aplicar esta semana:

• Mide antes de opinar. Si tu equipo de ingeniería aún no usa asistentes de código, dale a dos o tres developers una suscripción a Claude Code o GitHub Copilot durante un mes y mide pull requests fusionados, tiempo de revisión y bugs reintroducidos. El estudio de Microsoft sugiere que el salto aparece en uso sostenido, no en licencias pagadas y olvidadas.
• Reorganiza la revisión, no la escritura. El dato de que casi la mitad de los pull requests de IA necesitan revisión humana antes de fusionarse implica que necesitas reviewers senior con horas protegidas, no más juniors escribiendo boilerplate. Repiensa el organigrama de ingeniería en consecuencia.
• Decide tu proveedor por coste total, no por marca. La advertencia de un usuario de ChatGPT Work que gastó 80 millones de tokens en cuatro días (unos US$65) sobre una suscripción de US$20 es real: un descuento del 80% en el modelo no compensa un flujo que no controlas. Compara coste por tarea completada, no por token.

Fuentes

• Reasons to Dislike AI Coding — sicpers.info (fuente original)
• Microsoft Study Finds AI Coding Agents Lift Pull Requests by 24% — TechRepublic
• AI was supposed to kill tech jobs. The data on job openings says otherwise. — Business Insider
• Why AI hasn't triggered mass layoffs — yet — Harvard Gazette