Ideas clave
Deja que la IA traduzca la intención en código, pero mantén el criterio de ingeniería en manos humanas.
Un trabajo de mayor nivel. La programación por vibra (vibe coding) consiste en describir en lenguaje corriente el resultado que se desea y dejar que una IA genere buena parte de la implementación. El desarrollador deja de escribir cada instrucción y pasa a marcar el rumbo, evaluar lo que aparece y decidir si responde a la necesidad real. Por ejemplo, una herramienta web sencilla puede tomar forma con unas pocas solicitudes y revisiones, en vez de requerir un largo proceso de configuración manual.
La velocidad no equivale a hacerse cargo. La IA predice código verosímil a partir de patrones aprendidos; no verifica por cuenta propia que el resultado sea correcto, seguro o adecuado para quienes lo usarán. El argumento central del libro no es que los desarrolladores deban dejar de programar, sino que deben usar la IA para avanzar más rápido sin dejar de responsabilizarse del resultado.
Este cambio se parece a transiciones anteriores en los niveles de abstracción, desde las instrucciones de máquina hasta los lenguajes de alto nivel: se dedica menos esfuerzo a la traducción mecánica y cobra más importancia definir correctamente el objetivo. Es una ventaja real, sobre todo cuando la implementación es rutinaria. Pero una solicitud en lenguaje natural puede ocultar desacuerdos sobre qué significa que algo «funcione». Por eso, una especificación útil necesita criterios de aceptación observables, no solo una descripción convincente. La función humana no consiste únicamente en aprobar el resultado: consiste en determinar qué cuenta como éxito y a quién debe servir el software.
Usa la exploración rápida para los prototipos y la ingeniería disciplinada para el software del que dependen las personas.
Elige el modo adecuado. La ingeniería asistida por IA es un enfoque más estructurado: primero se definen los requisitos y las restricciones, y luego se utiliza la IA en tareas específicas a lo largo del diseño, la programación, las pruebas y el mantenimiento. La programación por vibra es más exploratoria: la implementación va surgiendo mediante prompts y revisiones. Ningún enfoque es siempre superior. Un prototipo rápido para poner a prueba una idea puede admitir imperfecciones; un sistema financiero, un producto consolidado o una función integrada en una base de código grande requieren más planificación y revisión.
Pasa de uno a otro. Un desarrollador puede dejar que la IA monte la estructura inicial de una función nueva y luego pasar a un proceso que empieza por un plan para definir los modelos de datos, el tratamiento de errores y las pruebas. La diferencia depende, sobre todo, del coste de fallar y de la vida futura del código. La generación rápida resulta útil cuando importa aprender cuanto antes; la disciplina de ingeniería es esencial cuando otras personas o sistemas deben confiar en el resultado.
Esta es una elección basada en el riesgo, no un plebiscito sobre si el código generado por IA es bueno o malo. En el desarrollo de productos, los prototipos permiten obtener información: un modelo imperfecto puede ser valioso si responde a bajo coste a la pregunta de si los usuarios quieren una función. Los sistemas de producción, en cambio, exigen un comportamiento fiable, así que el coste de un defecto oculto cambia el cálculo. La pregunta útil no es «¿Debería escribir esto la IA?», sino «¿Qué garantías exige este contexto?». Los equipos pueden concretar esa pregunta fijando umbrales de revisión y pruebas según el impacto potencial de un fallo.
Espera que la IA redacte el 70 % conocido, no que resuelva el 30 % más difícil.
La parte fácil, en medio. El «problema del 70 %» del libro describe un patrón recurrente, no una medición universal: la IA produce código estándar con rapidez y luego le cuesta terminar el trabajo necesario para hacerlo robusto. Las tareas conocidas, como las interfaces CRUD, la estructura inicial de proyectos y las integraciones rutinarias de API, recurren a patrones comunes. El trabajo restante suele implicar casos límite, requisitos poco claros, arquitectura, rendimiento e integración de cambios en un sistema existente.
Un borrador verosímil puede llevar a engaño. Una función generada por IA puede parecer completa en una demostración y fallar cuando los usuarios introducen datos inesperados, tienen una conexión lenta o realizan acciones en un orden inusual. La IA también puede introducir una corrección que cause nuevos problemas y dar pie a un ciclo frustrante de regresiones. Los ingenieros con experiencia detectan estos problemas gracias a sus conocimientos del dominio y a un razonamiento sobre el sistema en su conjunto que el modelo no posee por sí solo.
El porcentaje resulta memorable porque describe la forma que adquiere el trabajo: el progreso fácil llega pronto, mientras que la corrección y la integración exigen un esfuerzo desproporcionado. Este patrón aparece en muchas tareas complejas, desde prototipos de investigación hasta proyectos de construcción, donde un primer borrador visible no equivale a un sistema terminado. Aun así, la proporción exacta varía según la tarea, el equipo y el modelo, así que tomar el 70 % como una predicción sería engañoso. La lección más duradera es reservar tiempo explícitamente para la verificación y la integración, en lugar de suponer que generar código con rapidez elimina el trabajo difícil.
Trata los prompts como especificaciones concisas y orienta los resultados con comentarios deliberados.
Aporta el contexto que le falta al modelo. La ingeniería de prompts consiste en formular instrucciones y proporcionar contexto para guiar a una IA hacia resultados útiles. Un buen prompt de programación indica el lenguaje y el entorno, describe el comportamiento esperado, fija restricciones y define los casos límite. Si informas de un error, incluye el código pertinente, el mensaje exacto, el resultado esperado y el resultado observado. Una solicitud vaga invita a una conjetura genérica; una precisa acota el problema.
Perfecciona el resultado en vez de empezar de cero a ciegas. Revisa el resultado, identifica el desajuste concreto y pide un cambio específico. Los ejemplos pueden mostrar el formato o estilo de programación deseado; los archivos pertinentes del proyecto o la documentación pueden fundamentar la respuesta. Divide las solicitudes demasiado amplias en tareas más pequeñas. Si la IA interpreta mal la solicitud, reformula la instrucción en vez de repetirla sin cambios. El prompt forma parte del proceso de ingeniería: no es un conjuro que elimine la necesidad de pensar.
La buena formulación de prompts está estrechamente relacionada con el análisis de requisitos y la redacción técnica. Explicitar las entradas, las restricciones y el comportamiento esperado suele revelar lagunas en la comprensión de quien hace la solicitud antes de que se genere una sola línea de código. Los ejemplos y el contexto pueden reducir la ambigüedad, pero más texto no siempre es mejor: los detalles irrelevantes compiten con la información importante. Una disciplina útil consiste en proporcionar la especificación mínima suficiente y luego comprobar si el resultado la satisface. Así, formular prompts deja de ser una puesta en escena y se convierte en un método repetible para comunicar tareas.
No integres nunca código generado que no puedas explicar, probar y mantener.
Lo habitual no es lo mismo que lo personalizado. El libro denomina «efecto de la solución mayoritaria (majority solution effect)» a la tendencia de la IA a producir un enfoque conocido y de aplicación general, en lugar del mejor para un proyecto concreto. Si se le pide una función de búsqueda sin especificar restricciones, puede elegir una búsqueda lineal sencilla aunque el rendimiento exija otro método. También puede usar una dependencia, un supuesto o un estilo que entre en conflicto con la base de código.
Haz tuyo el borrador. Compara la implementación con la intención original, examina sus supuestos y casos límite, y ejecuta pruebas al nivel de función, integración y extremo a extremo, según corresponda. Refactoriza los nombres poco claros, las duplicaciones y las funciones demasiado grandes. Las pruebas son especialmente importantes después de las revisiones, porque preservan el comportamiento previsto a medida que cambia el código. Cuando entiendes el resultado y te haces responsable de él, pasa a formar parte del proyecto, sin importar quién haya escrito el primer borrador.
Esta regla es una respuesta práctica al sesgo de automatización: la tendencia a confiar en las recomendaciones automatizadas más de lo que justifican sus pruebas. Un cambio que parece limpio puede generar confianza sin demostrar que sea correcto. En cambio, la revisión de código y las pruebas hacen que el trabajo sea comprensible: dejan al descubierto los supuestos de la implementación y dónde se define su comportamiento. Las pruebas no certifican todas las cualidades, y un conjunto de pruebas puede codificar un requisito equivocado, así que la interpretación humana sigue siendo esencial. La prueba más sólida de que alguien se hace responsable del código es que pueda explicar su comportamiento y modificarlo sin ponerlo en riesgo.
Prototipa rápido y luego refuerza o sustituye los atajos antes de que los usuarios reales dependan de ellos.
Usa la velocidad para aprender. La IA puede convertir rápidamente un concepto en un modelo funcional, lo que facilita probar una interacción o recopilar las primeras opiniones de los usuarios. El propósito del prototipo es responder a una pregunta concreta, no convertirse a escondidas en un sistema de producción. El ejemplo del servicio que transforma archivos CSV en gráficos que da el libro sigue ese recorrido: una primera versión rápida demuestra la idea; luego, los usuarios reales y los archivos más grandes revelan requisitos que el prototipo no necesitaba resolver.
En producción, el estándar cambia. Antes del lanzamiento, revisa la arquitectura, añade gestión de errores, valida las entradas, evalúa la seguridad y el rendimiento, documenta el sistema y prueba flujos de trabajo reales. Un estudio de 2021 citado en el libro detectó posibles vulnerabilidades en alrededor del 40 % del código generado por IA. Lleva una lista de servicios simulados y atajos temporales, y evita añadir funciones que no ayuden a responder la pregunta central del prototipo.
Un prototipo es un experimento, así que su valor debe medirse por la incertidumbre que elimina, no por lo pulido que parece. Esto se relaciona con la idea científica de una prueba mínima que aporte información: construir solo lo suficiente para aprender algo relevante. El peligro es que las demostraciones exitosas generen presión para lanzar el mismo artefacto, aunque sus atajos solo fueran aceptables en condiciones controladas. Una transición deliberada del experimento al producto evita ese error de categoría. A veces, la decisión más segura para producción es conservar lo aprendido y volver a construir la implementación.
Establece desde el primer prompt requisitos explícitos de seguridad, privacidad, licencias y equidad.
Un código verosímil puede ser inseguro. El código generado por IA puede exponer secretos, construir consultas SQL con entradas no fiables, gestionar mal la autenticación, permitir un acceso entre orígenes demasiado amplio o revelar información delicada en los mensajes de error. Un análisis de 2023 citado en el libro encontró posibles deficiencias de seguridad en entre el 25 % y el 33 % del código generado, según el lenguaje. Especifica el comportamiento seguro y luego verifícalo mediante revisión de código, analizadores de seguridad, pruebas y documentación actualizada.
La responsabilidad va más allá de los errores. No envíes código confidencial ni datos personales a herramientas sin autorización. Comprueba las dependencias y los fragmentos de código llamativamente distintivos para detectar posibles problemas de licencias, ya que el código abierto no es automáticamente de dominio público. Considera si los supuestos generados excluyen a algunos usuarios; por ejemplo, si tratan una convención de nombres o una configuración regional como universales. La participación de la IA no exime de responsabilidad al desarrollador ni a la organización.
A menudo se trata la seguridad y la ética como fases de revisión separadas, pero esta sección muestra por qué deben formar parte de la definición de la tarea. Un sistema puede funcionar exactamente según lo implementado y, aun así, vulnerar la privacidad, imponer supuestos injustos o generar obligaciones por el uso de código copiado. Se trata de un problema sociotécnico: el riesgo surge de la interacción entre el modelo, sus datos de entrenamiento, el prompt del desarrollador, las políticas de la organización y el contexto de implementación. Las listas de verificación y los analizadores ayudan a hacer visibles los problemas, pero no pueden decidir qué concesiones son aceptables. Esa decisión exige personas responsables que comprendan a los usuarios y lo que está en juego.
Asigna tareas acotadas a los agentes autónomos y revisa cada cambio que devuelvan.
Delegar a distancia. Un agente de programación en segundo plano recibe un objetivo, trabaja en un entorno aislado, edita archivos, ejecuta comandos o pruebas y devuelve un cambio propuesto, a menudo como solicitud de incorporación de cambios. A diferencia de un asistente integrado en el editor, puede trabajar de forma asíncrona en varias partes de un repositorio. Por eso resulta útil para tareas acotadas, como actualizar dependencias, ampliar la cobertura de pruebas o refactorizar de forma repetitiva.
La autonomía multiplica los costes de coordinación. Un agente puede tomar una serie de decisiones plausibles por separado que acaben dando lugar a una implementación coherente, pero equivocada. También puede ocurrir que varios agentes trabajen en entornos distintos o editen partes de código que se solapan, lo que añade carga de integración y revisión. Define para cada tarea criterios de éxito y límites claros. Si el agente presenta un plan, revísalo; comprueba los resultados de sus pruebas y trata los cambios devueltos como trabajo que hay que revisar, no como trabajo ya aprobado.
Los agentes en segundo plano hacen que el desarrollo de software se parezca al trabajo distribuido: las tareas avanzan en paralelo, el estado está separado y la integración se convierte en un reto central. El paralelismo solo mejora el rendimiento cuando se gestionan las dependencias y las interfaces; de lo contrario, genera más trabajo al integrar los cambios. El mismo principio se aplica a los equipos humanos, pero los agentes carecen de coordinación informal, conocimiento compartido de la situación y capacidad para advertir la incertidumbre de un compañero. Por eso, delimitar claramente las tareas y aislar los cambios no es burocracia superflua. Es la capa de coordinación que hace que delegar sea útil y no caótico.
Trata la programación en lenguaje natural como una nueva interfaz, no como una razón para abandonar los fundamentos.
Puede cambiar la forma. El libro imagina un desarrollo que evoluciona hacia conversaciones en las que las personas expresan sus objetivos, responden preguntas aclaratorias y dejan que la IA traduzca su intención en código. Esto puede facilitar la creación de software sencillo a personas que conocen bien su ámbito, pero tienen poca experiencia en programación. También puede permitir que los desarrolladores exploren más opciones de implementación sin tener que construirlas todas manualmente.
El razonamiento sigue siendo importante. El lenguaje natural es flexible, pero ambiguo. Los desarrolladores aún deben comprender lo suficiente sobre algoritmos, arquitectura, pruebas y depuración para detectar si una interpretación es errónea. Lo más probable es que el futuro combine distintos enfoques: lenguaje natural para orientar a alto nivel, código formal para lograr precisión y control, y criterio humano para conectar ambos. Los fundamentos no han quedado obsoletos: son lo que permite confiar en la nueva interfaz.
La analogía no implica que el inglés sustituya a la programación, sino que se convierte en otra capa de abstracción. Cada abstracción reduce algunas cargas y, a la vez, desplaza la atención hacia nuevos puntos de fallo: los lenguajes de alto nivel facilitaron la sintaxis, pero no eliminaron la necesidad de corrección ni de diseño. Las interfaces en lenguaje natural pueden ampliar la participación, pero también ocultar el funcionamiento de un sistema si los usuarios no pueden inspeccionar ni cuestionar su implementación. Por tanto, la accesibilidad y la rendición de cuentas dependen de algo más que facilitar la generación. Hacen falta herramientas y prácticas que permitan comprender, probar y cuestionar lo que el sistema ha creado.
Análisis
La principal aportación del libro es que se niega a tratar la programación con IA como magia o como amenaza. Presenta el cambio como una redistribución del esfuerzo: la implementación rutinaria cuesta menos, mientras que decidir qué construir, especificar el comportamiento, integrar componentes y verificar la calidad cobra más importancia. La estimación recurrente del 70 % capta ese cambio, pero funciona mejor como advertencia sobre la forma del trabajo que como estadística universal de productividad. El tramo final es costoso porque el software no es solo código. Es código situado en un contexto de requisitos, usuarios, infraestructura, expectativas de seguridad y años de cambios futuros.
Este enfoque también aclara por qué la experiencia cambia el valor de la IA. Un ingeniero sénior puede reconocer cuándo una implementación verosímil infringe una restricción implícita; un principiante puede confundir verosimilitud con corrección. Esto no demuestra que los principiantes no puedan beneficiarse. Significa que el valor educativo de la herramienta depende de que muestre su razonamiento e invite a practicar activamente, en vez de convertir al aprendiz en un consumidor pasivo. La IA puede actuar como tutora, redactora de borradores o dispensadora de respuestas, y cada papel produce resultados de aprendizaje distintos.
Los consejos sobre el flujo de trabajo resultan convincentes porque presentan la verificación como parte de la generación, no como una ceremonia final. Las tareas pequeñas, las pruebas, la revisión de código, el control de versiones y la asignación de tareas acotadas a los agentes crean ciclos de retroalimentación que permiten detectar errores cuando aún es barato corregirlos. Sin embargo, estas salvaguardas requieren tiempo y experiencia. Producir código más rápido no garantiza entregar antes si siguen escaseando la capacidad de revisión, los entornos de prueba o la responsabilidad sobre la arquitectura. Por eso, las organizaciones deben medir resultados completos y fiables, no líneas de código generadas ni funciones demostradas.
El libro también es una instantánea de un mercado de herramientas que cambia con rapidez, así que sus comparaciones concretas entre productos envejecerán. Sus ideas más duraderas son más útiles: ajustar la autonomía al riesgo, preservar la responsabilidad humana y usar la IA para ampliar la exploración sin delegar el criterio. La pregunta práctica central no es si una máquina escribió el código. Es si las personas responsables pueden explicar por qué debe formar parte del proyecto, demostrar que se comporta como se espera y mantenerlo cuando cambie el contexto.
Resumen de reseñas
Más Allá del Vibe Coding recibe críticas variadas, con una media de 3,33 sobre 5 estrellas. Algunos críticos señalan que el libro recicla en gran medida las publicaciones del blog del autor y repite en exceso conceptos como la distinción entre la programación por vibra y la programación asistida por IA. A los lectores les parece que contiene demasiado relleno, contenido específico de la web y detalles sobre herramientas que podrían quedar obsoletos rápidamente. El público al que se dirige no está claro: resulta demasiado básico para desarrolladores experimentados y potencialmente confuso para los principiantes. Aunque sus consejos fundamentales son sólidos, algunos lectores sugieren consultar las publicaciones del blog de Osmani y los debates en línea, que ofrecen más valor práctico.
También leyeron
Glosario
programación por vibra (vibe coding)
Programación exploratoria guiada por promptsUna forma de crear software que prioriza los prompts, en la que una persona describe en lenguaje natural el comportamiento deseado y una IA genera o modifica código mediante interacciones repetidas. Favorece la exploración rápida y la creación de prototipos funcionales. Puede ser útil para patrones conocidos, pero no elimina la necesidad de revisar, probar y perfeccionar el código antes de confiar en él.
ingeniería asistida por IA
Desarrollo estructurado con apoyo de IAUn método disciplinado para incorporar la IA al ciclo de vida del desarrollo de software, manteniendo el control en manos del desarrollador. El trabajo comienza con requisitos, restricciones o criterios de aceptación, y la IA se utiliza para tareas específicas, como redactar código, refactorizarlo o generar pruebas. La revisión humana y las prácticas de ingeniería establecidas siguen siendo responsables de la calidad, la seguridad y la facilidad de mantenimiento a largo plazo.
problema del 70 %
La IA se atasca en la recta finalUn patrón recurrente en el que las herramientas de IA producen rápidamente una primera implementación de requisitos conocidos, pero tienen dificultades con el trabajo final necesario para lograr un software fiable. Ese trabajo restante puede incluir casos límite, arquitectura, integración, rendimiento y facilidad de mantenimiento. El porcentaje es una estimación ilustrativa del libro, no un parámetro fijo que se aplique por igual a todos los proyectos.
efecto de la solución mayoritaria (majority solution effect)
Los patrones comunes prevalecen sobre la adecuación al proyectoLa tendencia de los modelos de IA a generar soluciones comunes en los ejemplos con los que aprendieron, en lugar de soluciones optimizadas para un proyecto específico. Un método conocido puede funcionar con datos habituales, pero entrar en conflicto con las necesidades de rendimiento, la arquitectura o las convenciones del equipo. Los desarrolladores deben identificar las suposiciones del modelo y aportar contexto o revisar el resultado.
ingeniería de prompts
Guiar a la IA mediante instruccionesLa práctica de redactar y perfeccionar prompts para que un sistema de IA reciba objetivos claros, contexto pertinente, restricciones y expectativas sobre el resultado. En el trabajo de programación, unos prompts eficaces pueden especificar el lenguaje, el framework, el comportamiento de entrada y salida, los casos de error y las convenciones del proyecto. La ingeniería de prompts incluye corregir iterativamente el resultado generado cuando no cumple el requisito previsto.
programación orientada al diálogo (chat-oriented programming, CHOP)
Programar mediante prompts iterativosUn estilo de desarrollo en el que un programador trabaja con una IA mediante instrucciones conversacionales y refinamientos repetidos. El programador describe las tareas, evalúa las implementaciones de la IA y dirige los cambios, en lugar de producir manualmente cada línea. Este enfoque puede acelerar trabajos considerables, pero la persona sigue siendo responsable de elegir las soluciones e integrarlas de forma coherente.
agente de programación en segundo plano
IA que trabaja con código de forma asíncronaUn sistema de IA al que se le asigna una tarea de desarrollo y que puede inspeccionar un repositorio de forma autónoma, planificar cambios, editar archivos, ejecutar comandos o pruebas y devolver una propuesta de trabajo, normalmente como una rama o una solicitud de incorporación de cambios. Se diferencia de un asistente integrado en el editor porque trabaja de forma asíncrona y con varios archivos. Su resultado aún requiere revisión humana, especialmente cuando los requisitos o los límites del sistema son complejos.
ReAct
Razonamiento combinado con el uso de herramientasUn patrón de prompting y de agentes que combina la planificación o el razonamiento con acciones, como llamar a una API, ejecutar código o consultar una herramienta, y luego utiliza el resultado para continuar. A diferencia de una respuesta exclusivamente textual, un flujo de trabajo ReAct puede incorporar información obtenida mediante una acción externa. Requiere un entorno que proporcione realmente las herramientas; de lo contrario, el modelo no puede ejecutarlas de verdad.
Descargar PDF
Descargar EPUB
.epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.