La última gran sacudida en el debate sobre el futuro del software la ha vuelto a poner Dario Amodei, consejero delegado de Anthropic. En declaraciones recogidas por varios medios tras Davos, el ejecutivo sostuvo que los modelos podrían hacer “la mayor parte, quizá todo” lo que hoy hace un ingeniero de software de extremo a extremo en un plazo de seis a doce meses. La frase es potente, y también deliberadamente provocadora. Pero, más allá del titular, apunta a una discusión mucho más seria: no si la programación desaparece mañana, sino qué parte del trabajo se automatiza primero y quién sabrá adaptarse antes.
La realidad actual ya da pistas. Claude Code se presenta oficialmente como una herramienta capaz de leer bases de código, modificar archivos, ejecutar pruebas y trabajar con contexto amplio. GitHub Copilot, por su parte, ya ofrece modos como Plan mode y Autopilot, además de flujos agénticos dentro de GitHub Actions. En otras palabras, el sector está dejando atrás la fase del simple autocompletado para entrar en otra donde la IA ya no solo sugiere líneas, sino que ejecuta tareas completas con distintos grados de autonomía.
El verdadero cambio no está en el prompt, sino en el método
Aquí es donde conviene enfriar el entusiasmo fácil. Que una IA pueda escribir mucho código no significa que pueda sustituir sin fricción todo el trabajo de ingeniería. El software serio no consiste solo en producir archivos fuente. También exige decidir qué construir, cómo encaja con la arquitectura existente, qué riesgos introduce, qué dependencias toca, cómo se valida y quién responde cuando falla en producción. Eso sigue siendo, de momento, un terreno donde el criterio humano pesa más que la velocidad de generación.
Por eso la verdadera brecha no va a estar entre “usar IA” y “no usar IA”. Esa fase ya ha pasado. La diferencia importante empieza a abrirse entre quienes la utilizan con cuatro instrucciones sueltas y quienes la integran en un sistema de trabajo con especificaciones claras, contexto controlado, validación y revisión. Si se quiere una comparación sencilla, la IA de desarrollo ya no se parece tanto a un corrector que sugiere frases como a un becario muy rápido: puede hacer mucho, pero necesita límites, supervisión y una forma ordenada de recibir el encargo.
En ese contexto, metodologías como el desarrollo guiado por especificaciones —sea cual sea el nombre que cada equipo le dé— empiezan a ganar importancia. La idea es simple: antes de que la IA toque una línea de código, el proyecto debe tener una intención bien descrita, requisitos trazables, criterios de aceptación, dependencias claras y reglas sobre qué puede y qué no puede cambiar el agente. No es una cuestión estética ni burocrática. Es la diferencia entre automatizar con control o delegar a ciegas. Esta lectura encaja, de hecho, con la propia evolución de Copilot, que ahora incorpora un modo de planificación previo a la ejecución.
La economía de la IA agéntica también está poniendo límites
Hay además otra señal que desmonta parte del discurso triunfalista: automatizar más no siempre sale barato. GitHub acaba de endurecer los límites de sus planes individuales de Copilot, pausar nuevas altas en varios niveles y restringir modelos concretos. La explicación oficial es muy reveladora: los workflows agénticos han cambiado radicalmente la demanda de cómputo y las sesiones largas y paralelas consumen muchos más recursos de los que soportaba el modelo económico inicial.
Eso significa que la automatización total del desarrollo no depende solo de que los modelos mejoren, sino también de que alguien pueda pagar y sostener esa ejecución a escala. Cuando una IA deja de responder en formato pregunta-respuesta y empieza a leer repositorios enteros, planificar, modificar, ejecutar comandos, iterar y volver a probar, el coste computacional se dispara. Por eso el sector se está moviendo hacia una idea menos ingenua: no basta con “tener un buen modelo”; hay que orquestar bien el contexto, limitar el alcance y elegir qué tareas merece la pena delegar.
Lo que sí puede pasar en 12 o 24 meses
Decir que la ingeniería de software estará “completamente automatizada” en doce meses probablemente exagera. Pero negar que el oficio está cambiando a gran velocidad sería igual de ingenuo. Lo más probable es un escenario intermedio: la parte más repetitiva, documentable y delimitada del trabajo se automatizará de forma acelerada; la parte más ambigua, estratégica y crítica seguirá necesitando supervisión humana, aunque con menos personas haciendo más. Eso no implica el fin del programador, pero sí un cambio de perfil.
En la práctica, los equipos más competitivos no serán necesariamente los que tengan más desarrolladores escribiendo código a mano, sino los que sepan combinar producto, arquitectura, especificaciones y agentes dentro de un flujo fiable. La IA reducirá fricción, sí, pero también elevará el listón. El desarrollador que solo sabe picar código tendrá más presión. El que entienda sistemas, requisitos, riesgos y validación será más valioso que antes, porque podrá dirigir a varios agentes con criterio en lugar de pelear cada ticket de forma manual.
La nueva ventaja competitiva será organizativa
Ese es, probablemente, el punto más importante de toda esta discusión. La sustitución no va a producirse como un duelo simple entre máquinas y humanos. Va a aparecer como una diferencia cada vez más visible entre equipos con método y equipos sin él. Los primeros usarán agentes con contexto persistente, especificaciones revisables, planes previos, seguridad, pruebas y límites bien definidos. Los segundos seguirán dependiendo de prompts aislados, resultados opacos y una falsa sensación de velocidad que termina saliendo cara.
La pregunta ya no es si la IA escribirá código. Eso ya ocurre. La pregunta es quién sabrá construir un sistema donde esa capacidad se convierta en productividad real sin destruir la arquitectura, la seguridad o la mantenibilidad del producto. Y esa respuesta, al menos hoy, sigue dependiendo mucho más de la metodología que del modelo de moda.
Preguntas frecuentes
¿Qué dijo exactamente el CEO de Anthropic sobre la programación?
Según varios medios que recogieron sus declaraciones en Davos, Dario Amodei afirmó que los modelos podrían hacer “la mayor parte, quizá todo” lo que hoy realiza un ingeniero de software de extremo a extremo en seis a doce meses.
¿Claude Code ya puede desarrollar software por sí solo?
Puede hacer bastante más que autocompletar: Anthropic lo presenta como una herramienta capaz de leer código, modificar archivos, ejecutar pruebas y trabajar sobre proyectos completos. Aun así, eso no equivale a sustituir sin supervisión a un equipo de ingeniería en producción.
¿Por qué ahora se habla tanto de desarrollo guiado por especificaciones?
Porque, cuanto más autónomos son los agentes, más importante es definir bien el encargo antes de ejecutar. Sin especificaciones, criterios de aceptación y límites claros, la IA puede producir mucho código rápido, pero también introducir más errores, deuda técnica y cambios no deseados.
¿La automatización con IA también tiene límites económicos?
Sí. GitHub ha reconocido que los flujos agénticos han disparado la demanda de cómputo en Copilot y ha endurecido límites y condiciones para mantener la fiabilidad del servicio. Eso demuestra que el reto no es solo técnico, también económico y operativo.
