Developer confiesa: construyó su sitio con IA y perdió la alegría

La confesión de un developer que perdió la alegría de programar

Un físico reconvertido en desarrollador, doctor en Instrumentation Physics, publica en Dynamically Typed una carta confesión: construyó su sitio web para una colección de máquinas de escribir íntegramente con IA y, aunque el resultado le encanta, dice haber perdido la motivación por el oficio. Lo define sin rodeos: «el desarrollo de software ahora trata del destino, no del viaje; el viaje es para el agente».

El autor, que aprendió programando en Perl, PHP, Python, Node y Java, cuenta que nunca abrió Vim mientras levantaba el sitio. Solo especificaba funcionalidades, reportaba bugs y dejaba al agente iterar en auto mode. Lo describe así: «no es código crítico para el negocio, no es la salsa secreta, es un sitio para mi colección de máquinas de escribir».

Qué cambió en la primavera de 2026

El detonante, según el relato, fue una reunión interna donde un compañero mostró un flujo multi-agente: un agente construye, otro testea, otro revisa que el resultado cumpla el pedido inicial. Esa demostración, sumada a las mejoras de Claude en la primavera de 2026, rompió su percepción de que la IA de programación seguía siendo «tan defectuosa como antes, solo que más rápida».

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

La clave que resalta es una cualidad estructural del software: es testeable. Frente a la mayoría de peticiones a un LLM —abiertas, donde el modelo solo puede esperar tu feedback—, una especificación de software tiene inputs y outputs concretos. Iterar hasta que pase los tests es, según él, lo que vuelve testable el trabajo del agente y lo que separa al desarrollo agentic del clásico AI slop.

Qué significa esto para tu startup

El sitio terminó con funcionalidades que, reconoce, «nunca habría construido solo»: un motor de tags con un mini-lenguaje de consulta para filtrar máquinas por tipo, y un Timeline interactivo. El autor lo resume como un nuevo reparto de tareas: la IA ejecuta; el humano decide qué ejecutar y cuándo una idea merece existir.

Para un founder, el caso ilustra tres palancas concretas:

Aceptar que el rol cambia, no desaparece. El autor sigue siendo necesario para «mantener al agente en la tarea y proponer alternativas cuando se va por la madriguera». La chispa de la idea sigue siendo humana, dice, «por ahora».
Aislar dónde la IA funciona y dónde no. Su regla implícita: si el output es testable (código, pipelines de datos, integraciones con APIs bien documentadas), delegar. Si es abierto (texto de marketing, naming, estrategia de marca), mantener criterio humano.
Reasignar tiempo de producción a decisión. Las features del sitio las pensó él; las programó el agente. En una startup eso se traduce en dedicar menos horas a escribir código de features y más a validar producto con usuarios.

El otro lado: lo que la IA se lleva puesto

La confesión tiene una mitad incómoda. El autor denuncia que el código generado «se sintetiza a partir de entrenar sobre código que han succionado del internet público (y quizá no tan público), código como el mío de mi propio GitHub, sin atribución ni compensación». Le molesta, además, haber dejado de usar freelancers: «el desarrollo freelance solía ser una cosa, supongo que ese mercado está bastante seco hoy».

Esta crítica coincide con una creciente presión legal. En septiembre de 2026, la Corte de Apelaciones del Noveno Circuito rechazó los reclamos bajo DMCA de programadores de open source contra GitHub Copilot y OpenAI Codex, pero dejó la puerta abierta a demandas tradicionales de copyright, según reportó The Tech Edvocate. Días después, 26 nuevos editores —incluido el semanario Memphis Flyer— se sumaron a una demanda colectiva contra OpenAI y Microsoft que ya reúne a más de 550 publicaciones, alegando uso no autorizado de artículos para entrenar modelos.

Para founders de productos tech, el mensaje es directo: el código open source que usas como cimiento también está siendo absorbido, sin compensación visible a sus autores. Construir sobre IA hoy significa, en parte, aceptar esa zona gris ética hasta que los tribunales definan el estándar.

«Loop engineering»: la nueva disciplina que los agentes imponen

El caso del autor no es aislado. En julio de 2026, el término «loop engineering» empezó a circular con fuerza en la comunidad de desarrolladores, impulsado por menciones de Boris Cherny (creador de Claude Code en Anthropic) y Peter Steinberger (creador de OpenClaw), y recogido por Andrew Ng, fundador de DeepLearning.AI.

Ng describió tres loops para construir productos «0-to-1»: un agentic coding loop (el agente escribe código, testea, itera), un developer feedback loop (revisión humana más lenta) y un external feedback loop (usuarios reales, A/B tests). «Los loops son ahora una parte clave de cómo conseguimos que los agentes de IA iteren largo y tendido para construir software», escribió Ng en X.

Lo crucial para una startup: el Addy Osmani, líder de ingeniería en Google Cloud, lo resumió mejor — «loop engineering es reemplazarte a ti mismo como la persona que le hace prompts al agente. Diseñas el sistema que lo hace». La pregunta deja de ser qué prompt le escribo y pasa a ser qué condiciones de paro, qué permisos, qué verificaciones pongo en el loop.

Lo que dicen los números sobre productividad

Un estudio de Microsoft publicado el 1 de julio de 2026 midió el impacto de agentes de IA en terminal (Claude Code y GitHub Copilot CLI) durante un rollout interno de cuatro meses. Los resultados:

+24% de pull requests fusionadas por ingeniero por día (rango probable: +14,5% a +33,7%).
El salto no se atenuó durante los cuatro meses del estudio.
Quienes usaron los agentes cinco o más días por semana vieron lifts superiores al 50%, frente a ~15% en quienes los usaron tres días.
Copilot CLI mostró aproximadamente 2,2 veces el lift de Claude Code en el entorno Microsoft —aunque los propios autores aclaran que no debe leerse como ranking general.

El lado B lo aporta otro estudio empresarial que siguió a 802 developers y 196.212 pull requests entre enero de 2024 y abril de 2026: la cobertura de revisión humana cayó del 89% al 68% a medida que crecía el volumen de PRs autoría de IA, mientras la revisión automatizada pasó de ~19% a 84%. Las PRs generadas por IA tardaron ~20% más en fusionarse tras la primera revisión humana. La velocidad de output subió; la capacidad de review se saturó.

Acciones concretas que puedes tomar esta semana

Si diriges un equipo técnico pequeño y estás evaluando (o ya usando) agentes de código, tres movimientos prácticos basados en lo que estos casos enseñan:

Diseña tus loops antes de comprar licencias. Define triggers, herramientas disponibles, evals, condiciones de paro y un humano responsable de aprobar merges en código sensible. Sin esa arquitectura, «un loop desatendido es un loop cometiendo errores desatendido», advirtió Osmani.
Mide uso real, no acceso. El estudio de Microsoft muestra que tener la licencia no sirve: el lift aparece con uso regular. Trackea cuántos días por semana cada developer realmente toca el agente.
Separa el código legacy del nuevo. El estudio empresarial encontró que los repos legacy casi no se beneficiaron del mandato 2x. Empieza por módulos nuevos o servicios aislados; deja la migración del monolito para una segunda fase con más criterio humano.

Conclusión: el destino importa más que el viaje

La confesión del físico-programador termina con una frase incómoda: «amo los resultados, odio el proceso. Supongo que es lo que tenemos ahora». Tiene parte de catarsis y parte de diagnóstico. El software agentic ya no es una hipótesis: mueve métricas de productividad dentro de Microsoft, redefine cómo se organizan los equipos y empieza a tener su propio vocabulario técnico («loops», «evals», «subagentes»).

Para un founder hispanohablante construyendo producto, la decisión no es si usar agentes —la pregunta ya quedó cerrada para quienes quieren competir en velocidad—, sino dónde poner el humano en el loop, cómo proteger la IP y los datos que alimentan a esos agentes, y qué hacer con el tiempo que la IA te devuelve. El autor de Dynamically Typed lo resolvió a su manera, construyendo un sitio bonito para sus máquinas de escribir. Tú tienes que decidir qué construyes con el tuyo.