Cuando la máquina teclea

Bienvenido. Este blog nace como mi diario de a bordo: el cuaderno donde voy anotando el rumbo que sigo, lo que descubro y lo que me sale mal, con la idea de que con el tiempo se convierta en mi base de conocimiento personal en abierto.

Llevo más de una década construyendo backend, automatizando procesos y manteniendo sistemas críticos en producción. He aprendido muchísimo y casi nada quedó escrito. Quiero corregir eso en público, porque explicar algo es la mejor manera de comprobar que de verdad lo has entendido.

Y no se me ocurre mejor momento para zarpar.

Un momento único

La IA generativa (los grandes modelos de lenguaje y los agentes construidos sobre ellos) está poniendo patas arriba la forma en que se escribía código hasta ahora. En abril de 2026, el consejero delegado de Google dijo que el 75% del código nuevo de la compañía lo genera una IA, frente a un cuarto en 2024. Conviene leer ese número con cuidado: lo declara la propia empresa, describe a una compañía con un utillaje interno excepcional y “generado” no es lo mismo que “puesto en producción sin que nadie lo mire”. Aun descontándolo mucho, la dirección es difícil de discutir. Hemos pasado de asistentes que autocompletan líneas a agentes que investigan, ejecutan e iteran sobre tareas completas, y la verificación sigue siendo la parte que te toca a ti.

Justo por eso conviene un escepticismo sano. Un ensayo aleatorizado de METR puso a desarrolladores experimentados a trabajar en repositorios que conocían bien y los midió un 19% más lentos con IA, mientras esos mismos desarrolladores calculaban después que les había hecho un 20% más rápidos. La distancia entre esos dos números es lo que yo me llevo del estudio. METR lo repitió con más gente y herramientas más nuevas: la ralentización se encoge sin llegar a convertirse en mejora, y los márgenes de error son lo bastante anchos para caer de cualquier lado. Nadie ha cerrado esta cuestión. Lo que sí está claro es que sentirse más rápido no demuestra ser más rápido. La herramienta no sustituye al criterio: lo amplifica cuando existe y lo deja en evidencia cuando falta. Aprender a usarla bien compensa, y de eso va buena parte de este diario.

De implementadores a ingenieros

Durante años, gran parte de nuestro trabajo consistió en traducir a código decisiones que ya estaban tomadas. Éramos, sobre todo, implementadores: gente que convertía especificaciones en sintaxis.

Cuando la máquina teclea, el valor sube de nivel. El trabajo empieza a parecerse a lo que siempre debió ser la ingeniería: entender el problema, diseñar, evaluar los compromisos, decidir qué construir y por qué, y verificar que lo construido funciona. Y hay un segundo efecto igual de importante: recuperamos tiempo para las tareas que también son ingeniería y siempre quedaban para luego, como medir, documentar, simplificar o enseñar. La IA no nos quita el oficio; nos devuelve la parte que las prisas nos habían robado.

Este cambio lo he sufrido en mis carnes. Pasé del autocompletado que adivinaba el final de la línea a funcionalidades que se escriben prácticamente solas y se verifican contra tests que también escribe el agente. Si eso basta, y hasta dónde basta, es la pregunta que más me ocupa ahora mismo y la que más veces va a aparecer por aquí.

Qué encontrarás aquí

Escribiré sobre lo que construyo y lo que descubro, con la IA generativa como hilo conductor:

1. Ingeniería con agentes: cómo diseño, superviso y verifico lo que construyen los modelos.
2. LLMs en la práctica: qué modelo elijo, cómo itero un prompt y las trampas que solo se ven usándolos en serio.
3. Backend en producción: rendimiento, fiabilidad y las decisiones aburridas que evitan incidentes de madrugada.
4. Automatización de procesos: qué conviene delegar a un modelo y qué se resuelve mejor con código de siempre.

Sin calendario fijo y sin relleno: publicaré cuando tenga algo que valga la pena compartir. Si algo de esto te resuena, bienvenido a bordo.