Programar antes y después de la IA: lo que me dejaron los años de hacerlo a mano

Hoy cualquiera puede pedirle a un modelo “hazme una app de tareas” y tener algo funcionando en diez minutos. Es increíble, y lo uso todos los días. Pero mi forma de usar la IA tiene mucho que ver con cómo aprendí a programar antes de que existiera.

Cómo aprendí: sin atajos

Empecé de forma autodidacta a mediados de 2020, en plena pandemia, mientras estudiaba Derecho. Descubrí la programación gracias a Platzi y aprendí con cursos y creadores de YouTube. No había asistentes que completaran el código: había documentación, cursos, foros y muchas noches de “¿por qué esto no funciona?”.

En 2022, ya con una buena base de desarrollo web, entré a WANT Digital Agency como pasante. Éramos dos en desarrollo: mi jefe en el backend y yo en el frontend. Ahí construí las interfaces web y móviles de productos reales para clientes de Bolivia y Estados Unidos: un SaaS multi-tenant para talleres mecánicos, apps en React Native, un menú digital para restaurantes, sitios web.

Durante casi todo ese tiempo programamos a mano. Si algo se rompía en producción, había que leer el stack trace, reproducir el error y entender el flujo completo hasta encontrar la causa. Recién en mi último año en WANT incorporamos IA al trabajo.

Esos años me dejaron algo que hoy valoro mucho: cuando la IA me devuelve código, lo entiendo. Sé por qué funciona, dónde se va a romper y cómo mantenerlo.

Cuando llegó el boom

Con el boom de la IA fui probando prácticamente todo lo que aparecía:

• GitHub Copilot, para autocompletar dentro del editor.
• ChatGPT, Gemini y DeepSeek, para investigar, explicar errores y discutir enfoques.
• Groq, por su velocidad, que terminé usando dentro de mis propios productos (en SGPG extrae los datos de cada PDF).
• Modelos locales con Ollama, para lo privado y para no depender de internet (en AdvAI, un modelo local es la primera opción).
• Y últimamente Claude, que hoy es la herramienta central de mi flujo.

Cada una tiene su lugar, y ninguna reemplazó lo anterior: se sumaron a una base que ya existía.

Lo que cambió

La IA me hizo mucho más rápido. Un formulario con validaciones, un endpoint CRUD, un script de migración: cosas que antes me tomaban una tarde ahora me toman minutos, y el tiempo que ahorro va al diseño, a la arquitectura y al detalle.

También me hizo más curioso. Con alguien a quien preguntarle a las 3 de la mañana, me animé a meterme en temas que antes me parecían lejanos: búsqueda híbrida y evaluación de LLMs para mi proyecto de grado, bootloaders y Wayland para mi propia versión de Arch, túneles y systemd para mi servidor casero. La IA no aprendió eso por mí: me acompañó mientras yo lo aprendía.

Dos velocidades

No todo proyecto merece el mismo cuidado, y ahí está buena parte del criterio:

• Explorar. Un prototipo, una herramienta para mí, un experimento de fin de semana: dejo que la IA avance rápido y me concentro en si la idea funciona. Si algo falla, lo leo y lo entiendo en el momento.
• Entregar. Algo que va a producción, que usa un cliente o que maneja datos de otras personas: ahí reviso el diff, pienso en los casos borde y me aseguro de poder explicar cada parte.

Pasar de una velocidad a la otra es natural cuando entiendes el código. SGPG, por ejemplo, empezó como un prototipo generado con v0 en pocas horas; convertirlo en algo que usa la jefatura de carrera (permisos, versionado de documentos, un visor de PDF que no se come la RAM) fue trabajo de ingeniería, y fue posible porque sabía qué estaba mirando.

Lo que me funciona

Algunas prácticas que fui adoptando, sobre todo en lo que se entrega:

1. Primero el problema, después el prompt. Antes de pedir código, tengo claro qué tiene que pasar, con qué datos y qué no puede romperse. Un buen pedido sale de entender el problema.
2. Los tests miden el código, no al revés. Si un test falla, se arregla el código. Cuando una sugerencia “ajusta” lo que el test verifica, la leo dos veces.
3. Medir en vez de creer. En AdvAI armé un set de evaluación en lugar de confiar en que “las respuestas se ven bien”. La recuperación pasó de 42,9 % a 80 % porque cada cambio se comparó con números. Lo cuento en este artículo.
4. La arquitectura la decido yo. La IA es buenísima escribiendo una función; las decisiones de dónde vive, qué datos ve y qué pasa cuando falla siguen siendo el trabajo.
5. Leer el diff como si fuera de otra persona. Porque, en cierto modo, lo es.

En resumen

La IA me potenció muchísimo y me dio más ganas de seguir aprendiendo y de entender cualquier tecnología que llegue a mis manos. La uso como un multiplicador, y un multiplicador multiplica lo que ya tienes: los años de programar a mano son justamente lo que hace que hoy le saque tanto provecho.

Si estás empezando, mi consejo es simple: usa la IA también para aprender. Pídele que te explique, no solo que te resuelva. La diferencia se nota el día que algo se rompe.