Un ingeniero de software sénior de Silicon Valley que hace meses había abrazado Claude Code como herramienta exclusiva ha replanteado su postura tras dos caídas graves de producción atribuibles a código generado por el agente. Su testimonio ilustra un fenómeno creciente entre desarrolladores: el código producido por IA parece correcto pero contiene errores difíciles de detectar, y revisarlo a fondo resulta especialmente costoso cuando se intenta multiplicar por diez el ritmo de trabajo. La fiabilidad, por tanto, no es la única fricción; también pesan un flujo de trabajo tedioso y la posibilidad de que los programadores junior nunca lleguen a dominar el oficio si delegan toda la escritura en los modelos.
La nota va más allá del caso aislado y sitúa la programación como banco de pruebas de la IA. Casi todos los supuestos avances del último año se concentran en código y matemáticas, dominios con lenguajes muy estructurados y enormes corpus de entrenamiento. Aun así, la industria todavía no ha encontrado una forma sostenible de integrar estas herramientas, y la reducción de subsidios en costes de cómputo amenaza con disparar el gasto en tokens. El texto no niega la utilidad de los modelos para tareas puntuales —tests, scripts de usar y tirar—, pero advierte contra la idea de la IA como máquina infinita capaz de resolverlo todo.