En la plataforma de juegos Steam se está debatiendo actualmente un shooter anunciado que, según su propio equipo de desarrollo, fue creado en gran parte con inteligencia artificial. Las reacciones de los jugadores y jugadoras son contundentes. El caso es interesante más allá de la industria del gaming porque toca una cuestión que hoy afecta a cualquier proyecto de software: ¿cuánto código generado por máquinas puede soportar un producto sin que se resientan la calidad y la credibilidad?
Qué hay detrás del término Vibe Coding
Se denomina Vibe Coding a una forma de trabajar en la que los desarrolladores y desarrolladoras describen un resultado en lenguaje natural y dejan que un modelo de IA genere el código en gran medida, sin comprender cada línea en detalle. El atractivo es evidente: los prototipos surgen en horas en lugar de semanas, y también los equipos pequeños pueden cubrir funcionalidades para las que antes se necesitaban varios especialistas.
Esto funciona sorprendentemente bien cuando se trata de pruebas de viabilidad, herramientas internas o tareas parciales delimitadas. El problema surge cuando el prototipo se convierte en un producto que debe venderse, operarse y mantenerse durante años. Justo en ese umbral se enciende la crítica en el caso actual.
Por qué reacciona el público
Lo llamativo es menos la técnica que la reacción. Una parte considerable de la crítica no se dirige contra la IA en sí, sino contra la expectativa de pagar por un resultado cuya creación se percibe como mayoritariamente automatizada. En tales situaciones, los usuarios y usuarias no solo evalúan el producto, sino también el esfuerzo y el cuidado que suponen detrás.
Esta percepción no se puede desterrar con argumentos, pero sí se puede influir en ella. Quien revela en qué puntos se utilizó IA y dónde las personas revisaron, corrigieron y asumieron la responsabilidad, le quita la base a gran parte de la crítica. Quien oculta la proporción y solo se ve confrontado con ella a posteriori, pierde por partida doble: en calidad del producto y en confianza.
Los puntos débiles típicos del código generado
De la práctica de proyectos se pueden nombrar algunos patrones recurrentes que se aplican independientemente del caso concreto:
- Corrección superficial: El código generado a menudo funciona a la primera, pero solo cubre de forma incompleta los casos especiales, el manejo de errores y las entradas inusuales.
- Falta de arquitectura: Componentes individualmente sensatos no forman en conjunto un sistema sostenible. Las responsabilidades se solapan, la lógica se implementa varias veces.
- Vulnerabilidades de seguridad: La validación de entradas, la comprobación de permisos y el manejo de credenciales figuran entre los ámbitos en los que los modelos reproducen patrones de error conocidos.
- Deuda de mantenimiento: El código que nadie en el equipo entiende realmente es difícil de ampliar después. Cada cambio se convierte en un riesgo.
- Imprecisiones legales: El origen y el estado de licencia de los componentes generados no siempre son inequívocos: un tema que surge como muy tarde en licitaciones y auditorías.
Qué ayuda en la práctica
La salida no consiste en desterrar las herramientas de IA del proceso de desarrollo. Utilizadas de forma productiva, ahorran tiempo de manera medible. Lo decisivo es que se integren en un proceso que intercepte los errores antes de que los noten los usuarios y usuarias.
- Obligación de revisión sin excepción: Cada línea generada pasa por la misma revisión que el código escrito a mano. Quien aprueba código asume la responsabilidad de él, independientemente de quién o qué lo haya escrito.
- Capas de verificación automatizadas: El análisis estático, los escaneos de dependencias y una cobertura de pruebas sólida interceptan parte de las debilidades típicas antes de que una persona tenga que mirar.
- La arquitectura sigue siendo cosa de personas: El modelo de datos, las interfaces y los límites de los módulos se definen de antemano. La IA rellena estructuras, no las inventa.
- Ámbitos de uso definidos: Para pruebas, scripts de migración o boilerplate, el beneficio es alto y el riesgo bajo. En autenticación, procesamiento de pagos o lógica de protección de datos rigen reglas más estrictas.
- Trazabilidad: En el equipo debería quedar documentado qué componentes se crearon con apoyo de IA. Eso facilita la búsqueda posterior de errores y responde a las preguntas de los clientes antes de que se planteen.
La transparencia es una propiedad del producto
El caso de Steam muestra que la comunicación sobre el proceso de creación ya forma parte del producto. Los públicos objetivo desarrollan un olfato para saber cuándo un resultado se ha improvisado a toda prisa, y lo dicen en público. En portales de reseñas, tiendas de aplicaciones o foros surge en pocos días una narrativa que un equipo difícilmente vuelve a controlar.
Para las empresas esto significa: la pregunta de si se utilizó IA es menos delicada que la pregunta de si alguien ha revisado el resultado.
Una declaración clara al respecto —internamente frente a la dirección, externamente frente a clientas y clientes— es más sólida que el silencio.
Clasificación para proyectos web y de software
En proyectos de sitios web y aplicaciones, el centro del trabajo se desplaza: el cuello de botella no es escribir código, sino su revisión, estructuración y mantenimiento a largo plazo. Por eso, quien introduce el apoyo de la IA debería invertir en el mismo paso en revisiones, pruebas y decisiones de arquitectura; de lo contrario, el esfuerzo ahorrado solo se traslada a la fase de mantenimiento. Y quien menciona abiertamente la proporción de IA en un producto evita que esto se convierta más adelante en una cuestión de confianza.