El argumento que divide a la comunidad tech: ¿deberías usar IA para programar?
En marzo de 2026, el experto en seguridad y desarrollador Neil Madden publicó un artículo que generó ola de debate en la comunidad tech global: su postura firme de no usar modelos de lenguaje grande (LLMs) para programar. No se trata de una posición tecnófoba ni nostálgica. Es una reflexión profunda sobre qué significa realmente aprender a programar y qué se pierde cuando se delega ese proceso a una máquina.
Para los founders tech que lideran equipos de ingeniería o que ellos mismos escriben código, esta discusión toca un nervio real: la tensión entre velocidad de desarrollo y comprensión profunda del sistema que estás construyendo.
El núcleo del argumento: programar es pensar, no solo producir código
La tesis central de quienes rechazan el uso de LLMs para programar no es que la IA sea mala, sino que el proceso de escribir código es, en sí mismo, el aprendizaje. Cuando delegas la escritura a un modelo, también delegas el razonamiento estructurado que convierte a un desarrollador en alguien capaz de diseñar sistemas robustos, detectar errores no evidentes y tomar decisiones de arquitectura con criterio.
👥 ¿Quieres ir más allá de la noticia?
En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.
👥 Unirme a la comunidadLa analogía más usada en este debate es la de la calculadora: la herramienta no te impide hacer matemáticas, pero sí puede impedirte entender las matemáticas si se convierte en un sustituto del pensamiento y no en un complemento.
Esto se vuelve especialmente crítico en contextos donde el código tiene implicaciones de seguridad, privacidad o escalabilidad, áreas donde la comprensión superficial tiene costos muy altos.
¿Qué dice el ecosistema tech global sobre los LLMs en programación?
El debate está lejos de ser unánime. En un extremo, Jensen Huang, CEO de NVIDIA, declaró públicamente que nadie debería aprender a programar porque la IA lo hará por todos. En el otro extremo, desarrolladores experimentados como Madden —y muchos CTOs que llevan años en producción— observan un patrón preocupante en los equipos jóvenes.
El desarrollador Namanyay Goel documentó que los programadores juniors que usan herramientas como GitHub Copilot o ChatGPT constantemente producen más código, pero sin entender por qué funciona, sin evaluar alternativas mejores y sin detectar las implicaciones de lo que están generando. El resultado: más output en el corto plazo, más deuda técnica en el mediano plazo.
Lo más revelador es que muchos entrevistadores técnicos reportan que candidatos que han trabajado con IA durante meses fallan en conceptos fundamentales de programación que deberían tener sólidos antes de usar cualquier herramienta de asistencia.
Los riesgos reales para founders y equipos de producto
Para un founder que lidera un equipo técnico o que toma decisiones de arquitectura, estos riesgos no son abstractos:
- Deuda técnica acumulada: El código generado por LLMs tiende a ser funcional pero no óptimo. A escala, esos atajos se convierten en problemas estructurales difíciles de resolver.
- Vulnerabilidades de seguridad: Un desarrollador que no entiende el código que está integrando no puede evaluar si introduce vectores de ataque. En startups que manejan datos sensibles, esto es crítico.
- Dependencia cognitiva del equipo: Si tu equipo de ingeniería no puede operar sin asistencia de IA para tareas intermedias, estás construyendo sobre una base frágil. El día que cambien los modelos, los límites de contexto o las políticas de uso, tu velocidad de desarrollo colapsa.
- Pérdida de criterio arquitectónico: Las decisiones de diseño de sistemas —qué base de datos usar, cómo estructurar los microservicios, cómo gestionar el estado— no pueden delegarse a una herramienta que no conoce el contexto real de tu producto.
La postura más inteligente: cuándo sí y cuándo no usar LLMs en tu stack
El objetivo no es prohibir los LLMs en tu equipo ni adoptar una posición ideológica. El objetivo es usarlos con criterio. Algunos principios que founders con equipos técicos maduros están aplicando:
Úsalos para acelerar, no para reemplazar el pensamiento
Los LLMs son extraordinariamente útiles para generar boilerplate code, documentar funciones, escribir tests unitarios sobre lógica ya diseñada, o explorar sintaxis de un lenguaje nuevo. Son pésimos como sustitutos del diseño de arquitectura o de la comprensión de por qué un sistema falla.
Define umbrales de complejidad en tu equipo
Algunos CTOs de startups en etapa de crecimiento están estableciendo reglas internas: la IA puede asistir en tareas de nivel 1 (scaffolding, formatting, documentación), pero las decisiones de nivel 2 y 3 (lógica de negocio crítica, integraciones de seguridad, diseño de APIs públicas) deben pasar por revisión humana profunda y no pueden ser generadas íntegramente por un modelo.
Invierte en comprensión antes de adoptar asistencia
Si tienes desarrolladores juniors o mid en tu equipo, el período de formación inicial es el más crítico. Exponerlos a LLMs como muleta desde el primer día puede comprometer seriamente su desarrollo técnico a largo plazo. El pensamiento computacional se construye resolviendo problemas difíciles sin atajos, no evitándolos.
El lado irónico del debate
Madden señala una ironía difícil de ignorar: su artículo fue escrito en WordPress, y la plataforma le ofrece activamente mejorar sus citas con IA. Es una metáfora perfecta del momento que vivimos: incluso cuando articulamos posiciones críticas frente a la dependencia tecnológica, las herramientas que usamos están diseñadas para empujarnos hacia esa dependencia.
No hay escapatoria fácil. La pregunta relevante no es si usas IA o no, sino con qué nivel de conciencia lo haces.
Implicaciones para el ecosistema de startups en LATAM
En el ecosistema tech latinoamericano, donde muchos founders son también los primeros ingenieros de su producto, este debate tiene una dimensión adicional. La tentación de usar LLMs para acelerar el MVP es enorme, y en muchos casos, completamente válida. Pero los founders que construyen productos técnicamente diferenciados —los que sobreviven a la fase de producto, levantan rondas Serie A y escalan— son invariablemente los que tienen una comprensión profunda de su stack tecnológico.
Usar IA para construir más rápido es legítimo. Usar IA como sustituto del entendimiento que necesitas para tomar buenas decisiones técnicas es una apuesta de riesgo que muchos founders pagan caro en etapas de crecimiento.
Conclusión
La postura de Neil Madden no es un llamado al ludismo tecnológico. Es un recordatorio de que la calidad del pensamiento técnico que aplicas a tu producto es un activo estratégico que no puede ser completamente externalizado a ninguna herramienta, por sofisticada que sea. En un ecosistema donde cada vez más founders tienen acceso a los mismos modelos de IA, la verdadera ventaja competitiva seguirá siendo la capacidad de razonar profundamente sobre los problemas que estás resolviendo.
Los LLMs pueden hacer que produzcas código más rápido. Solo tú puedes asegurarte de que ese código valga la pena.
Profundiza estos temas con nuestra comunidad de founders y expertos en tecnología
Fuentes
- https://neilmadden.blog/2026/03/02/why-i-dont-use-llms-for-programming/ (fuente original)
- https://www.xataka.com/robotica-e-ia/tenemos-a-primera-profesion-que-ia-ha-cambiado-para-siempre-programadores-no-necesitan-saber-programar (fuente adicional)
- https://www.estrategiadeproducto.com/p/retrospectiva-de-2024-el-ano-de-la-inteligencia-artificial-generativa (fuente adicional)
