La irrupción de la inteligencia artificial agéntica está reconfigurando los fundamentos mismos de la profesión del software. Si durante décadas la capacidad de escribir código fue la barrera de entrada y la principal ventaja competitiva, hoy esa habilidad ha perdido buena parte de su valor diferencial. En su lugar, el conocimiento profundo de un dominio específico se posiciona como el nuevo foso defensivo de la industria tecnológica.
Según el análisis publicado por el ingeniero y escritor Ben Brethorst en su blog personal, la parte difícil de desarrollar software nunca fue la escritura del código en sí, sino la construcción previa de un modelo mental del dominio del problema. Antes de poder lanzar un sistema de nóminas, el desarrollador debía entender conceptos como embargos, deducciones previas a impuestos y las implicaciones de un cambio de tarifa a mitad de un período de pago. El código, argumenta Brethorst, no era más que la transcripción de esa comprensión. Adquirirla era, en realidad, el verdadero trabajo.
La IA agéntica ha cortado ese vínculo. Hoy es posible producir software sin haber construido jamás ese modelo mental, lo que rompe un supuesto sobre el que se organizó toda una profesión. La narrativa convencional sostiene que estas herramientas amplifican a los desarrolladores senior porque tienen criterio. Brethorst considera que esa visión es cierta pero incompleta: lo que ha observado en los últimos meses es que la restricción ha cambiado de lugar. Ya no importa tanto si puedes construir el software, sino si puedes determinar si lo construido es correcto.
Para ilustrarlo, Brethorst plantea dos perfiles. El primero es un experto de dominio sin formación en software, como un despachador de logística, un codificador clínico o un actuario. Incapaz de leer un stack trace, pero capaz de detectar al instante que un horario generado por un agente asigna turnos ilegales a un conductor, o que un reclamo con ciertos códigos jamás sería pagado. Estos profesionales conocen los resultados correctos porque llevan años viviendo entre esos datos. Combinados con un agente de IA, su efectividad resulta sorprendente: el agente les proporciona exactamente la capacidad que les faltaba —producir código— mientras que ellos aportan lo que la máquina no puede: la verdad de terreno.
El segundo perfil es el ingeniero generalista que nunca ha trabajado en el dominio. Puede arquitecturar cualquier sistema, dominar la confiabilidad y las pruebas, pero es incapaz de distinguir una respuesta plausible pero incorrecta de una correcta. El agente generará con gusto una regla de facturación que compila, pasa los tests y es sutil pero costosamente errónea. El ingeniero no tiene un oráculo.
Antes de la llegada de los agentes, el ingeniero tenía un camino que el experto de dominio no tenía: podía aprender el dominio con el tiempo, mediante años de práctica, observación de expertos y errores en producción. El experto no tenía un camino equivalente. Los agentes de IA colapsaron uno de esos senderos y no el otro. La ventaja del ingeniero —traducir un modelo de dominio en código funcional— ahora es barata. La del experto —saber cómo se ve lo correcto— no lo es.
La persona más valiosa en este nuevo escenario, según Brethorst, es quien combina ambas habilidades, porque puede verificar en dos capas: la solidez del código generado y la veracidad de sus respuestas. Puede escribir la prueba que codifica que un conductor no puede exceder once horas de servicio porque conoce la regla, y puede evaluar si la prueba misma es significativa porque sabe qué está probando. El agente hace la transcripción. Ellos hacen el juicio, dos veces.
En un contexto paralelo, publicaciones especializadas como The Register han documentado casos que ilustran los riesgos de depender de la IA sin validación experta. Informes recientes señalan que un estudio de IA de KPMG fue analizado por la herramienta GPTZero, que concluyó que solo cinco de las 45 citas del reporte coincidían con sus fuentes, un ejemplo de cómo los modelos generativos pueden producir material plausible pero materialmente incorrecto. Otros reportes alertan sobre problemas de seguridad derivados de la automatización, como campañas de phishing en las que atacantes se hacen pasar por soporte de Signal, o vulnerabilidades en cadenas de suministro de paquetes de software donde los agentes de IA ejecutan código sin supervisión adecuada.
La convergencia de ambos análisis apunta a una misma conclusión. La IA agéntica no elimina la necesidad de criterio humano; la desplaza. El código ya no es la barrera, y quienes sigan invirtiendo exclusivamente en habilidades puramente técnicas podrían ver贬值 su posicionamiento en el mercado laboral. Para los ingenieros con experiencia, el consejo pragmático es claro: elegir una industria, un instrumento, un régimen regulatorio o un proceso físico, y aprenderlo con la misma profundidad con que antes se aprendió un lenguaje de programación. Esa es la parte que el agente no puede hacer por ellos, y paradójicamente, la que más vale.