Los modelos generativos resuelven con rapidez el ochenta por ciento de una tarea de programación: la lógica del camino feliz, la estructura que supera una prueba básica y el andamiaje que funciona en una demo. El problema es el veinte por ciento restante, el que decide si el software sobrevive al contacto con la producción. Ahí se concentran los detalles que solo enseña la experiencia operativa: claves de idempotencia que evitan corrupción bajo concurrencia, reintentos con backoff y jitter, migraciones que esquivan bloqueos de tablas largas, limitadores de tasa, disyuntores y logs estructurados que permiten diagnosticar un fallo a las tres de la mañana. Ninguno de esos elementos aparece durante el desarrollo.
El artículo parte del chiste atribuido a Tom Cargill en Bell Labs y popularizado por Jon Bentley: el primer noventa por ciento del código ocupa el primer noventa por ciento del tiempo, y el diez por ciento restante ocupa el otro noventa por ciento. La IA generativa no ha abolido esta regla, solo la ha reubicado. Cuando el modelo se enfrenta a un problema parecido al de sus datos de entrenamiento, produce ese ochenta por ciento con fluidez convincente; cuando se topa con territorio apenas cubierto por esos datos, la fluidez se mantiene, pero la corrección se desploma.
La consecuencia formativa es la más preocupante. El veinte por ciento que la herramienta se salta era exactamente el que enseñaba a los ingenieros: la causa de un segfault inexplicable, una carrera que solo aparecía los martes, una consulta que volaba con mil filas y se derrumbaba con diez millones. Sin esos tropezones, se pierde el músculo del juicio. El artículo lo denomina "competencia sintética": resultados con la textura superficial de la comprensión, pero sin la comprensión debajo. La propuesta del autor es un nuevo pacto ágil: enviar el ochenta por ciento de la IA y planificar de forma sistemática cómo encontrar y ajustar el veinte por ciento restante cuando el sistema se encuentre con la realidad, antes de que muerda.