En Anthropic, la empresa detrás del asistente de IA Claude, un directivo ha formulado una valoración que está generando debate en el sector: la entrevista de programación clásica ha muerto.La justificación de Felix Rieseberg es incómodamente simple.Las tareas de programación pequeñas y delimitadas ya las resuelve su propio modelo mejor que la mayoría de los candidatos.Quien evalúa precisamente esa habilidad en la entrevista de trabajo, está midiendo algo que de todos modos ya está automatizado.
Según esta lectura, la tarea de pizarra debe ser sustituida por prototipos: cosas realmente construidas y funcionales que permitan ver cómo piensa alguien.Rieseberg menciona como criterios el gusto, la empatía y el pensamiento guiado por principios, es decir, la capacidad de tomar buenas decisiones, adoptar la perspectiva del usuario y trabajar según principios comprensibles.A ello se suma la fórmula "Hunger beats tenure": la motivación propia cuenta más que los años de servicio.
Un desplazamiento, no un cheque en blanco
Para los principiantes, esto suena en principio a empoderamiento.Quien construye algo convincente sin una larga trayectoria profesional puede cualificarse.Al mismo tiempo, sin embargo, el listón se desplaza notablemente: en lugar de una prueba técnica claramente delimitada, se espera pensamiento empresarial.Este requisito es más difícil de aprehender, peor de entrenar y presupone una especie de compromiso permanente que no toda situación vital permite.
Vale la pena leer esta clasificación con sobriedad.La afirmación proviene de una empresa que fabrica asistentes de IA, es evidente que existe cierto interés propio en la tesis de que los modelos se encargarán de la programación.Que hoy en día las tareas delimitadas las resuelven de forma fiable los sistemas de asistencia sigue siendo, no obstante, algo bien observable en la práctica.
Lo que realmente escasea en los proyectos
El punto realmente interesante para los clientes está en otro lugar.Si escribir funciones individuales resulta más barato y rápido, el cuello de botella en los proyectos de software se desplaza hacia arriba, hacia los niveles que una IA no resuelve por sí sola:
- Arquitectura: ¿Cómo se dividen los sistemas para que sigan siendo mantenibles dentro de tres años?¿Qué dependencias se asumen conscientemente y cuáles no?
- Clarificación de requisitos: ¿Qué debe hacer realmente el software y qué parte de ello es solo un deseo surgido en una reunión individual?
- Aseguramiento de la calidad: El código generado suele parecer plausible.Si es correcto, seguro y eficiente solo se demuestra mediante pruebas, revisiones y operación.
- Responsabilidad: ¿Quién responde de que una solución cumpla los requisitos de protección de datos y funcione también bajo carga?
Estas tareas siempre han sido exigentes.Lo nuevo es que constituyen la mayor parte de la creación de valor cuando la implementación en sí pierde peso.
Prototipos como medio de comunicación
Que los prototipos ganen importancia en el proceso de selección tiene su equivalente en el trabajo de proyecto.Un diseño funcional responde a preguntas sobre las que se puede discutir durante semanas en documentos conceptuales.¿Cómo se siente el manejo?¿Sostiene el enfoque elegido para el conjunto de datos real?¿Entienden los departamentos especializados el flujo sin explicación?
Con el apoyo de IA, tales diseños están disponibles más rápido que antes.Esto cambia la lógica del proyecto: en lugar de especificar durante mucho tiempo y luego construir una sola vez, se puede mostrar algo antes y corregir sobre la base de comentarios reales.Sigue siendo importante la separación entre prototipo y producto.Un diseño puede tomar atajos; un sistema en operación productiva no puede hacerlo.
Consecuencias para la colaboración con proveedores de servicios
Quien encarga proyectos web debería adaptar los criterios de evaluación en consecuencia.La pregunta "¿Cuántas horas de desarrollo hay en esto?" se debilita como indicador de calidad.Otros puntos son más reveladores:
- ¿Cómo justifica un proveedor sus decisiones de arquitectura y menciona también sus desventajas?
- ¿Qué aseguramiento de la calidad está previsto: pruebas automatizadas, revisiones de código, controles de seguridad?
- ¿Cómo se trabaja con asistentes de IA y quién revisa sus resultados?
- ¿Qué ocurre después del lanzamiento?Mantenimiento, actualizaciones y desarrollo continuo son la parte más larga del ciclo de vida.
- ¿Puede el código generado ser asumido más tarde por otros, o se crea una dependencia?
Una advertencia de precaución: la rapidez por sí sola no es un rasgo de calidad.Una aplicación que está lista en pocos días puede, no obstante, volverse costosa durante años si el modelo de datos y las interfaces no están bien pensados.Especialmente en sistemas como TYPO3, que se operan y amplían durante largos periodos, el esmero conceptual rinde más que la velocidad en la primera semana.
Lo que esto significa para los equipos
Para los equipos de desarrollo, esto implica menos una amenaza que un desplazamiento del enfoque.Se buscan personas que puedan evaluar las propuestas de un asistente en lugar de simplemente adoptarlas, y que entiendan qué problema de negocio hay detrás de un requisito.Esto presupone experiencia que no puede sustituirse únicamente mediante un prototipado rápido.Ambas cosas van juntas: la disposición a probar cosas y la capacidad de juicio para evaluar el resultado.
Queda abierta la cuestión de cómo las nuevas generaciones construirán en el futuro esta capacidad de juicio cuando las tareas de entrada clásicas sean realizadas cada vez más por modelos.El sector no tiene actualmente una respuesta convincente a esto.
Para los proyectos web y de software, esto significa concretamente: el valor de una agencia reside cada vez menos en la mera escritura de código y cada vez más en la arquitectura, el aseguramiento de la calidad y el uso específico de asistentes de IA.
Por eso, quien compare ofertas debería preguntar por la lógica de decisión, la cobertura de pruebas y el mantenimiento en lugar de fijarse solo en las partidas de esfuerzo. Y quien forme equipos internos debería crear espacio para prototipos, pero también para las miradas experimentadas que convierten un prototipo en un sistema sólido.