16 posts
Las conversaciones con LLM contienen intención, alternativas rechazadas y código funcional. Eso es exactamente lo que la documentación debería ser. Aquí está cómo convertir chat efímero en documentación durable y buscable sin perder la narrativa.
Pasaste cuarenta y cinco minutos con Claude diseñando un circuito de reintento. Explicaste los modos de falla, rechazaste el backoff exponencial porque oculta…
Las inspecciones Fagan necesitan de cuatro a seis personas y dos horas para revisar 250 líneas. Un LLM puede reducir ese costo gestionando la preparación y el cumplimiento de checklist, pero no puede sustituir los roles humanos que encuentran los defectos más costosos.
Una inspección Fagan completa necesita un moderador, un lector, de dos a cuatro inspectores y el autor. El equipo dedica dos horas a revisar aproximadamente…
La programación de N versiones suena simple: ejecutar varias implementaciones y elegir la mejor respuesta. En la práctica, 'mejor' es mucho más difícil de definir que 'más común'.
Tienes cinco implementaciones de la misma función. Tres devuelven el mismo resultado. Una es ligeramente diferente. Una lanza una excepción. ¿Cuál es la…
La programación N-version con LLMs no requiere múltiples modelos. Puedes extraer implementaciones diversas y correctas de un solo modelo variando prompts, personas y restricciones de razonamiento.
La programación N-version asume que la diversidad proviene de diferentes autores. Con los LLMs, eso significa diferentes modelos, diferentes proveedores, tal…
La codificación con IA sigue un gradiente de validación. Backend: milisegundos. Web: minutos. Mobile: horas. El ciclo de retroalimentación lo determina todo.
Un modelo de IA programando por sí solo no es lo interesante. Lo interesante es lo que ocurre después de que genera el código. ¿Con qué rapidez puede saber el…
La programación con IA funciona para equipos de élite que se recuperan de cualquier desastre. Todos los demás obtienen miedo, CI fallida y experimentos abandonados. La brecha no está en el modelo.
Observa a dos equipos usando el mismo modelo de IA y verás dos resultados completamente diferentes. El primer equipo le pide al modelo que construya una…
La mayoría de los equipos prueban AI coding, entregan código que falla en QA y abandonan. El problema no es el modelo, sino la ausencia de barreras que hacen que el resultado de la IA sea confiable.
La mayoría de los equipos que prueban el AI coding siguen el mismo arco. Empiezan entusiasmados. El modelo genera una funcionalidad en minutos, y la ponen en…
Tienes type checking, linting y reglas de arquitectura. Pero tu stack determinista es ciego ante la complejidad, la duplicación y los desastres de nomenclatura. Aquí está la solución de $0.
Seamos honestos sobre cómo se ven realmente la mayoría de los pipelines de código con IA en este momento. Generas código con Cursor o Claude Code. Ejecutas…
Las herramientas de programación con IA son excelentes generando la versión uno. El verdadero desafío de ingeniería comienza en la versión cuatro, cuando el equipo necesita cambiar algo sin romper todo lo demás.
Toda demostración de programación con IA sigue el mismo arco. Alguien le da un prompt a un modelo. Una aplicación funcional se materializa. La audiencia queda…
La verdadera medida de la calidad del código generado por IA no es si funciona el primer día. Es si puedes reemplazarlo el día treinta sin reescribir todo lo demás.
La mayoría de las conversaciones sobre la calidad del código generado por IA se centran en la corrección al momento de la generación. ¿Compila la salida? ¿Pasa…
La revisión humana es inconsistente. La revisión por IA es peor. La única defensa escalable para codebases generados por IA es el enforcement determinista: reglas que fallan la compilación, no sugerencias que se ignoran.
El consejo estándar para el código generado por IA es "revísalo cuidadosamente". Ese consejo es correcto e inútil a escala. Un desarrollador que revisa la…
Cuando la AI puede generar implementación, tests y contracts a partir de una especificación, el trabajo humano de más alto impacto se mueve aguas arriba. Lo que más escrutinio necesita es la propia especificación.
Si llevas más de unas pocas semanas sacando cambios con AI, probablemente ya conoces esta sensación. Abres un pull request. El código está lo bastante limpio.…
Si quieres que el código generado con AI sobreviva en producción, code review no basta. Necesitas una pila por capas desde type constraints hasta mutation testing y runtime containment.
Lo peligroso del código generado con AI no es que siempre esté mal. Lo peligroso es que a menudo parece lo bastante correcto como para hacer merge. Ahí está el…
El meme funciona porque muchos equipos realmente desarrollan con objetivos cambiantes, fechas límite fijas y alcance a medio definir. Autotomy no arregla la fantasía de la planificación, pero sí evita que el desarrollo se detenga cada vez que cambia la ruta.
Llamémoslo Meteor development: primero se anuncia el destino, después cambian las paradas, el presupuesto se da por resuelto y engineering tiene que seguir…
Una reseña crítica de Stanford CS146S: acierta al tomarse en serio el AI coding, pero deja abierta la disciplina de AI architecture necesaria para construir sistemas reemplazables.
Stanford CS146S es , un curso impartido por Mihail Eric y ofrecido por primera vez en otoño de 2025. Para la visión oficial del curso, el overview y los…
Design by contract, property-based testing, mutation testing y model checking no eran malas ideas. Exigían demasiada experiencia especializada para sostenerlas. La AI cambia esa ecuación.
La ingeniería de software está llena de ideas que parecen obviamente correctas en cuanto las lees. Claro que los contracts deberían definir qué puede aceptar y…