El desarrollo impulsado por prompts, también llamado coloquialmente Vibe Coding, describe una forma de trabajar en la que los desarrolladores describen principalmente en lenguaje natural lo que debe crearse y un agente de IA escribe y ejecuta el código correspondiente.Un ejemplo actual permite comprender hasta dónde llega hoy este enfoque.
El investigador de IA y cofundador de OpenAI, Andrej Karpathy, creó con Claude Code de Anthropic una plataforma de vídeo llamada HackerTube en un fin de semana.El punto de partida fueron 43 millones de comentarios de la plataforma comunitaria Hacker News, de los que al final quedaron 6.454 vídeos seleccionados.Según la descripción, el agente de IA asumió casi todo el trabajo, desde el filtrado del volumen de datos hasta la configuración del servidor.Una segunda plataforma se creó después en tres minutos.
Por qué este ejemplo es revelador
Lo interesante no es tanto la plataforma en sí como la composición de las tareas.No se trata de un experimento puramente de frontend, sino de una cadena de pasos típicos de un proyecto: obtener datos, limpiarlos, filtrarlos por relevancia, construir una interfaz y hacer que todo funcione en un servidor.Precisamente esta cadena suele consumir la mayor parte del tiempo en los proyectos clásicos, porque entre los pasos hay muchos trabajos pequeños y poco glamurosos.
A ello se añade la magnitud de los datos.43 millones de comentarios no se pueden revisar manualmente.Un agente que diseña, prueba, descarta y reescribe lógica de filtrado puede recorrer esos bucles mucho más rápido que una persona que implementa cada variante por sí misma.La segunda plataforma en tres minutos indica que una estructura ya establecida puede variarse con poco esfuerzo.
Qué se puede deducir de ello para las empresas
Para las medianas empresas, el caso de uso evidente no es la plataforma pública, sino la herramienta interna.Muchas organizaciones tienen conjuntos de datos que nadie evalúa porque falta una herramienta adecuada y una solicitud de proyecto para ello parece desproporcionada: exportaciones del CRM, historiales de tickets, archivos de registro, datos de producto de distintas fuentes.
Justo aquí cambia el cálculo.Si un prototipo funcional surge en horas en lugar de semanas, baja el umbral para probar una idea.En lugar de discutir largamente sobre requisitos, se puede construir una primera versión, verla y evaluarla.Las decisiones equivocadas resultan más baratas porque conllevan menos esfuerzo.
- Prototipos y estudios de viabilidad: Una idea se hace visible antes de tener que solicitar un presupuesto.
- Evaluaciones internas: Los conjuntos de datos pueden prepararse sin que para ello surja un producto propio.
- Tareas puntuales: Migraciones, limpiezas de datos e importaciones que solo se presentan rara vez y cuyo código después no tiene que mantenerse.
Dónde están los límites
Un proyecto de fin de semana de una sola persona no es prueba de que todo proyecto de software pueda gestionarse así.Hay que tener en cuenta varias diferencias.
En primer lugar, la persona que actúa aquí es sumamente experimentada.Quien puede describir con precisión qué arquitectura y qué lógica de filtrado se desean guía a un agente de IA de forma distinta a alguien que no domina el espacio de soluciones.La calidad de las instrucciones sigue siendo un cuello de botella, y depende del conocimiento especializado.
En segundo lugar, en tales proyectos suelen faltar típicamente los requisitos que en el contexto empresarial causan el mayor esfuerzo: conceptos de derechos y roles, protección de datos, conexión con sistemas existentes, accesibilidad, seguridad de auditoría, mantenibilidad durante años.Un prototipo tiene que funcionar; un sistema productivo también tiene que funcionar cuando aparecen casos límite, picos de carga y ataques.
En tercer lugar, con código generado rápidamente surge un problema de responsabilidad.Si nadie en la empresa ha leído el código, tampoco nadie sabe cómo se comporta ante un cambio.Eso es irrelevante para un experimento y un riesgo real para un sistema del que dependen procesos de negocio.
Un enfoque práctico
Parece sensato una separación clara.Para el trabajo exploratorio —prototipos, herramientas internas, tareas de datos puntuales— el desarrollo impulsado por prompts es una herramienta excelente, porque aquí la velocidad aporta el mayor beneficio y un error tiene consecuencias manejables.
Para todo lo que pasa a producción siguen siendo necesarios los mecanismos conocidos: revisión de código por personas, pruebas automatizadas, decisiones de arquitectura documentadas, un proceso de despliegue regulado.El agente de IA acelera entonces la implementación dentro de este marco, pero no lo sustituye.
Igualmente importante es la pregunta de qué ocurre con un prototipo exitoso.La experiencia de los proyectos clásicos sigue vigente: las soluciones provisionales que funcionan se quedan.Quien establece desde el principio si una herramienta es un producto desechable o la fase previa de un sistema mantenido evita lastres posteriores.
Clasificación
Para los proyectos web y de software cambia sobre todo la estructura de costes de la fase temprana: las ideas pueden probarse antes de estar especificadas, y la pregunta por el beneficio pasa por delante de la pregunta por el esfuerzo.Sin embargo, la parte difícil sigue donde siempre estuvo: en la integración, la operación y el mantenimiento a largo plazo.
Decisivo no es, por tanto, si se desarrolla con agentes de IA, sino cómo se distingue con claridad entre un experimento rápido y un sistema productivo robusto.